[논문 리뷰] Design of Detectors at the Electron Ion Collider with Artificial Intelligence

C. Fanelli|arXiv (Cornell University)|2022. 03. 09.

Particle Detector Development and Performance참고 문헌 34인용 수 7

한 줄 요약

이 논문은 전자 이온 충돌기(EIC)를 위한 검출기 설계에 인공지능, 특히 베이지안 최적화와 다중목표 유전 알고리즘과 같은 다중목표 최적화 기법을 사용하여 고차원적이고 계산 비용이 높으며 다수의 상충되는 목표를 수반하는 검출기 설계 문제를 해결하고자 한다. 연구는 ECCE 트래커 시스템과 채링코프 검출기용 강화된 아에로겔 재료의 최적화에 성공적으로 적용되었으며, 10차원 설계 공간에서 N=100, O=30로 좋은 파레토 최적 해를 도출하였다.

ABSTRACT

Artificial Intelligence (AI) for design is a relatively new but active area of research across many disciplines. Surprisingly when it comes to designing detectors with AI this is an area at its infancy. The Electron Ion Collider is the ultimate machine to study the strong force. The EIC is a large-scale experiment with an integrated detector that extends for about $\pm$35 meters to include the central, far-forward, and far-backward regions. The design of the central detector is made by multiple sub-detectors, each in principle characterized by a multidimensional design space and multiple design criteria also called objectives. Simulations with Geant4 are typically compute intensive, and the optimization of the detector design may include non-differentiable terms as well as noisy objectives. In this context, AI can offer state of the art solutions to solve complex combinatorial problems in an efficient way. In particular, one of the proto-collaborations, ECCE, has explored during the detector proposal the possibility of using multi-objective optimization to design the tracking system of the EIC detector. This document provides an overview of these techniques and recent progress made during the EIC detector proposal. Future high energy nuclear physics experiments can leverage AI-based strategies to design more efficient detectors by optimizing their performance driven by physics criteria and minimizing costs for their realization.

연구 동기 및 목표

• . EIC를 위한 대규모 다중부검출기 시스템 설계 과제를 해결하고자 하며, 고차원 설계 공간과 상충되는 다수의 목표를 수반한다.
• . Geant4 기반 시뮬레이션의 계산 부담을 줄이기 위해 AI를 활용해 설계 공간의 효율적 탐색을 이끌어내고자 한다.
• . ECCE 트래커와 새로운 아에로겔 기반 채링코프 라디에이터와 같은 검출기 하위시스템의 성능 향상과 기계적 안정성 향상을 위한 최적화를 포함한다.
• . 순수 기술적 성능 지표를 넘어서 물리 기반 목표를 설계 최적화 과정에 통합하고자 한다.
• . 초고성능 시스템에서 고급 AI 전략을 구현해 전역 검출기 최적화에 응용할 수 있는지 탐색한다.

제안 방법

• . 논문은 유전 알고리즘 기반 다중목표 최적화(MOGA)와 베이지안 최적화(BO)를 사용하여 도함수 없이 전역 최적화를 수행한다.
• . 순차적 워크플로우를 사용한다: 설계 파rameter를 사용해 Geant4로 물리적 사건을 시뮬레이션하고, 재구성된 사건으로부터 성능 지표를 도출하며, AI 모델이 다음 평가 대상 설계 포인트를 제안한다.
• . 복잡한 재료인 강화 아에로겔의 경우, Gmsh, ElmerSolver, Paraview를 사용해 기하 구조 정의, 메esh 생성, 기계적 안정성 분석을 위한 Geant4 시뮬레이션과 유한요소 모델링을 융합한다.
• . 시뮬레이션 제약 조건과 재료 제조 한계로 인한 노이즈가 많고 미분 불가능한 목표 함수를 다룰 수 있도록 최적화 프레임워크를 설계하였다.
• . 단일목표(예: 이중-RICH)와 다중목표(예: 트래커, 아에로겔) 최적화 문제 모두를 지원한다.
• . 소프트웨어 스택은 고성능 컴퓨팅과의 자동화 및 통합을 가능하게 하며, 향후 eAST 툴킷을 통해 이질적 하드웨어도 지원할 계획이다.

실험 결과

연구 질문

• RQ1 . AI 기반 최적화는 고차원 설계 공간을 가진 대규모 검출기 시스템 설계에서 계산 비용을 어떻게 줄일 수 있는가?
• RQ2 . MOGA 및 MOBO와 같은 다중목표 최적화 기법은 EIC 검출기 하위시스템의 파레토 최적 해를 근사하는 데 얼마나 효과적인가?
• RQ3 . AI 전략은 새로운 아에로겔 재료에서 기계적 안정성과 채링코프 각도 해상도와 같은 상충되는 목표를 어떻게 균형 잡을 수 있는가?
• RQ4 . 물리 기반 목표는 어떻게 검출기 설계 최적화 과정에 통합되어 초기 단계부터 검출기 성능을 향상시킬 수 있는가?
• RQ5 . 초고성능 컴퓨팅은 다중목표 최적화를 전체 전역 검출기 설계에까지 확장하는 데 어떤 역할을 할 수 있는가?

주요 결과

• . 3개의 목표를 수반하는 10차원 설계 공간에서 N=100, O=30의 개체 수와 후손 수로도 파레토 최적 해의 우수한 근사가 가능했다.
• . 베이지안 최적화를 적용하여 이중-RICH 검출기의 단일목표 문제를 성공적으로 최적화하여 AI 기반 검출기 설계의 가능성과 타당성을 입증하였다.
• . 다중목표 유전 알고리즘(MOGA)을 사용해 ECCE 트래커 시스템을 다수의 성능 기준을 고려해 효과적으로 최적화하였다.
• . 무작위로 배열된 섬유로 아에로겔 타일을 강화함으로써 기계적 안정성이 향상되었고, 채링코프 해상도는 유지되었다. 안정성과 해상도 사이의 상충 관계는 다중목표 최적화(MOO)를 통해 포착되었다.
• . Geant4, Gmsh, ElmerSolver, Paraview를 융합한 소프트웨어 스택은 강화 아에로겔 재료의 종단 간 시뮬레이션 및 최적화를 가능하게 하였다.
• . 연구는 AI 기반 전략이 복잡하고 계산 비용이 높은 검출기 시스템 최적화에 필수적이며, 향후 초고성능 컴퓨팅을 통해 전체 전역 검출기 최적화로 확장 가능하다고 결론 내렸다.