[논문 리뷰] Refining Fast Calorimeter Simulations with a Schrödinger Bridge

Sascha Diefenbacher, V. M. Mikuni외 1명|arXiv (Cornell University)|2023. 08. 23.

Machine Learning in Materials Science인용 수 14

한 줄 요약

SQuIRELS는 Schrödinger 다리를 이용해 빠른 칼로리미터 시뮬레이션(GFlash)을 전체 Geant4 기반 시뮬레이션으로 정교화하여, 계산 시간은 크게 줄이면서 실제 정답과의 일치도를 더 가깝게 만듭니다.

ABSTRACT

Machine learning-based simulations, especially calorimeter simulations, are promising tools for approximating the precision of classical high energy physics simulations with a fraction of the generation time. Nearly all methods proposed so far learn neural networks that map a random variable with a known probability density, like a Gaussian, to realistic-looking events. In many cases, physics events are not close to Gaussian and so these neural networks have to learn a highly complex function. We study an alternative approach: Schrödinger bridge Quality Improvement via Refinement of Existing Lightweight Simulations (SQuIRELS). SQuIRELS leverages the power of diffusion-based neural networks and Schrödinger bridges to map between samples where the probability density is not known explicitly. We apply SQuIRELS to the task of refining a classical fast simulation to approximate a full classical simulation. On simulated calorimeter events, we find that SQuIRELS is able to reproduce highly non-trivial features of the full simulation with a fraction of the generation time.

연구 동기 및 목표

• 고에너지 물리학에서 빠르고 고정밀의 칼로리미터 시뮬레이션의 동기를 제시합니다.
• 명시적 입력 밀도 없이 빠른 시뮬레이션에서 전체 시뮬레이션으로 매핑하는 Schrödinger 다리 기반 정교화(SQuIRELS)를 제안합니다.
• 에너지 합과 전체 10×10 칼로리미터 샤워에 대해 1대1 정교화를 입증합니다.
• Geant4와의 정확도를 벤치마킹하고 CPU 및 GPU에서의 계산 속도향상을 평가합니다.
• 재현성과 향후 연구를 위한 공개 데이터와 코드를 제공합니다.

제안 방법

• 빠른 시뮬레이터의 샘플을 고충실도 목표를 향해 정교화하기 위해 Schrödinger 다리(SB) 형식을 적용한다.
• 네트워크로 근사된 순방향 및 역방향 드리프트 함수를 사용한 IPF에서 영감을 받은 반복적 전달을 수행한다.
• 입사 에너지에 조건화된 1D 에너지 합 정교화를 위한 SQuIRELS-E를 도입하고, 에너지 합을 매핑하기 위해 완전연결 인코더-디코더를 학습한다.
• 출처 및 대상 분포의 입사 에너지와 에너지 합에 조건화된 10×10 칼로리미터 샤워에 대해 SQuIRELS로 확장한다.
• 정규화와 사인-파형 타임스텝 임베딩을 통해 입력을 전처리하고, Adam 옵티마이저와 EMA로 학습한다.

실험 결과

연구 질문

• RQ1 Schrödinger 다리 기반 정교화가 빠른 칼로리미터 시뮬레이션(GFlash)의 샘플을 전체 Geant4 시뮬레이션과 에너지 합 및 전체 샤워 이미지 모두에서 일치시키나요?
• RQ2 에너지 합용 SQuIRELS-E와 전체 샤워용 SQuIRELS의 두 단계 접근이 Geant4 수준의 특징을 상당한 속도 향상으로 재현하나요?
• RQ3 분포 정확도(EMD)의 정량적 이득은 무엇이며 CPU와 GPU의 속도 향상은 어떻게 비교되나요?
• RQ4 입사 에너지(20, 50, 80 GeV)의 변화에 대해 1대1 정교화가 견고한가요, 고정 에너지 테스트에서도?
• RQ5 SQuIRELS는 명시적 입력 밀도 함수 없이 고차원의 칼로리미터 데이터를 어떻게 처리하나요?

주요 결과

• SQuIRELS-E는 20, 50, 80 GeV에서 에너지 합 분포에 대해 Geant4와의 근접한 일치를 달성하며 GFlash에 비해 상당히 감소된 불일치를 보인다.
• SQuIRELS(전체)는 전체 샤워를 정교화할 때 에너지 합의 일관성을 유지하고 여러 관찰가능치에서 Geant4와의 강한 일치를 유지한다.
• 여러 관찰가능치(에너지 합, 스펙트럼, 히트 수, 트랜스버스 프로파일 등)에서 SQuIRELS는 Geant4 일치에서 GFlash보다 우수하며, 불일치 지표가 더 낮게 나타난다.
• 계산 시간 측정에서 SQuIRELS가 샤워를 정교화하는 속도는 CPU 기준 Geant4보다 약 50배 빠르고, GPU 기준으로는 약 7700배 빠르며, GFlash 전제 조건이 GPU 시간을 지배한다.
• 전반적으로 SQuIRELS는 빠른 시뮬레이터에 비해 현저한 정확도 향상을 제공하고 Geant4에 비해 큰 속도 향상을 유지하며 CPU 하드웨어에서도 그렇다.