[논문 리뷰] New directions for surrogate models and differentiable programming for High Energy Physics detector simulation

Andreas Adelmann, W. H. Hopkins외 9명|arXiv (Cornell University)|2022. 03. 15.

Simulation Techniques and Applications인용 수 23

한 줄 요약

이 논문은 CaloFlow 및 미분가능 파이프라인을 포함하여 고에너지 물리학(detector) 시뮬레이션을 가속화하기 위한 대리모델(surrogate-model) 및 미분가능 프로그래밍(differentiable-programming) 접근법에 대해 조사하고, 도전과제 및 향후 방향에 대해 논의합니다.

ABSTRACT

The computational cost for high energy physics detector simulation in future experimental facilities is going to exceed the current available resources. To overcome this challenge, new ideas on surrogate models using machine learning methods are being explored to replace computationally expensive components. Additionally, differentiable programming has been proposed as a complementary approach, providing controllable and scalable simulation routines. In this document, new and ongoing efforts for surrogate models and differential programming applied to detector simulation are discussed in the context of the 2021 Particle Physics Community Planning Exercise (`Snowmass').

연구 동기 및 목표

• 향후 HEP 실험에서 증가하는 계산 요구에 대응하여 더 빠른 검출기 시뮬레이션의 필요성을 고취한다.
• Geant4 기반 시뮬레이션을 대체하거나 보강하기 위한 대리모델 접근(GANs, VAEs, normalizing flows) 및 개선 전략을 검토한다.
• 시뮬레이션 및 추론 워크플로우에 기울기(gradients)와 물리 지식을 주입하는 프레임워크로서의 미분가능 프로그래밍을 소개한다.
• 보정기 시뮬레이션에서의 충실도-속도 트레이드를 보여주기 위한 칼로리미터 시뮬레이션의 진행 프로젝트와 사용 사례를 설명한다.
• 향후 방향, 협력 프레임워크, 프레임워크 통합을 논의하여 실험 간 대리모델 확장을 모색한다.

제안 방법

• 대리모델 전략을 완전 생성 모델과 보정/정제 기법으로 분류한다.
• 세 가지 주요 생성 계열을 자세히 설명한다: GANs, VAEs, 및 normalizing flows, 학습 목표와 트레이드오프에 대해 논의한다.
• 자동 미분이 가능한 시뮬레이션 설계로서의 미분가능 프로그래밍과 ML 대리모델과의 통합을 설명한다.
• ML 보정 및 밀도-비 재가중치를 통한 Geant4 칼로리미터 시뮬레이션 가속화 방법을 설명한다.
• 두 단계 NF(노멀라이즈드 플로우) 접근을 칼로리미터 샤워의 계층별 에너지 분포 모델링 및 복셀 수준 샤워 형태에 대해 제시하고, CaloGAN과의 비교를 제시한다.
• 대리모델을 넓은 그래프- 또는 기하학 비의존적(detector simulations) 시뮬레이션으로의 통합을 논의한다.

실험 결과

연구 질문

• RQ1 대리모델은 HEP 분석에 필요한 충실도를 유지하면서 검출기 시뮬레이션을 어떻게 가속화할 수 있는가?
• RQ2 GANs, VAEs, normalizing flows의 상대적 강점과 한계는 칼로리미터 샤워 생성에 있어 무엇인가?
• RQ3 미분가능 프로그래밍은 검출기 시뮬레이션에서 물리 정보가 반영된 최적화 및 추론을 어떻게 가능하게 하는가?
• RQ4 대형 협업 및 기존 Geant4 워크플로우에 대리모델을 practical하게 통합하는 경로는 무엇인가?

주요 결과

• 노멀라이징 플로우(CaloFlow)는 고충실도 칼로리미터 샤워를 달성할 수 있으며 대규모 생성에서 일부 GAN 기반 접근보다 더 빠를 수 있다.
• CaloFlow v2는 v1에 비해 충실도가 향상되었고 여러 지표에서 Geant4 유사 분포에 근접하며 GAN과 비교해 생성 속도를 유지한다.
• 가중치 재조정/조건화 전략 및 픽셀 단위 회귀는 속도 최적화 시뮬레이션을 nominal Geant4 결과로 보정할 수 있으며 통계적 파워에 trade-off가 있다.
• 실제적이고 극도로 정교한 칼로리미터(수백만 채널) 및 불규칙 기하학에서 대리모델은 도전과제를 제시하며 그래프 기반 또는 비-그리드 아키텍처를 필요로 한다.
• 두 단계 NF 접근은 층별 에너지 분포와 복셀 수준의 샤워 형태를 모델링해 칼로리미터의 확장을 위한 생성 가능성을 제공한다.
• 미분가능 프로그래밍은 검출기 부품의 gradient 기반 최적화를 가능하게 하며 시뮬레이션 파이프라인에 물리-informed ML을 통합하는 것을 지원한다.