[논문 리뷰] Ultra-High-Resolution Detector Simulation with Intra-Event Aware GAN and Self-Supervised Relational Reasoning

Hosein Hashemi, N. M. Hartmann외 3명|arXiv (Cornell University)|2023. 03. 07.

Medical Imaging Techniques and Applications인용 수 24

한 줄 요약

본 논문은 IEA-GAN을 제시한다. intra-event 관계 추론과 self-supervised 손실을 갖춘 GAN으로 초고해상도 탐지기 반응을 생성하며 Belle II PXD 데이터에서 상태-최상 충실도(FID = 1.50)를 달성하고 저장 공간 절감을 가능하게 한다.

ABSTRACT

Simulating high-resolution detector responses is a computationally intensive process that has long been challenging in Particle Physics. Despite the ability of generative models to streamline it, full ultra-high-granularity detector simulation still proves to be difficult as it contains correlated and fine-grained information. To overcome these limitations, we propose Intra-Event Aware Generative Adversarial Network (IEA-GAN). IEA-GAN presents a Relational Reasoning Module that approximates an event in detector simulation, generating contextualized high-resolution full detector responses with a proper relational inductive bias. IEA-GAN also introduces a Self-Supervised intra-event aware loss and Uniformity loss, significantly enhancing sample fidelity and diversity. We demonstrate IEA-GAN's application in generating sensor-dependent images for the ultra-high-granularity Pixel Vertex Detector (PXD), with more than 7.5 M information channels at the Belle II Experiment. Applications of this work span from Foundation Models for high-granularity detector simulation, such as at the HL-LHC (High Luminosity LHC), to simulation-based inference and fine-grained density estimation. To our knowledge, IEA-GAN is the first algorithm for faithful ultra-high-granularity full detector simulation with event-based reasoning.

연구 동기 및 목표

• 입자 물리학에서 초고해상도 탐지기 반응의 빠르고 저장 효율적인 시뮬레이션을 동기 부여한다.
• 고해상도에서 내부 이벤트 간의 미세한 상관 관계를 가진 정교한 탐지기 이미지의 도전 과제를 다룬다.
• intra-event 상관관계와 클래스-간 관계를 포착하는 GAN 아키텍처를 개발한다.
• 충실도와 다양성을 향상시키기 위한 새로운 손실 항 및 관계 추론 모듈을 제안한다.

제안 방법

• Relational Reasoning Module(RRM)을 갖춘 Intra-Event Aware GAN(IEA-GAN)을 도입하여 컨텍스트 의존적 이벤트 그래프를 형성한다.
• 다이애딕(Class-to-Class) 관계를 모델링하기 위한 자기지도 2C 손실과 모드 붕괴를 방지하는 Uniformity 손실을 사용한다.
• 이벤트 수준의 변화성을 나타내는 임의의 자유도(Rdof)로 생성기 임베딩을 장식한다.
• 훈련을 안정화하고 관계 추론을 가능하게 하는 단위 초구 구면으로 임베딩을 투영한다.
• 적대적 손실, 2C, IEA, Uniformity 손실의 조합으로 내부 이벤트 상관 및 맥락을 포착하도록 학습한다.
• 평가 방법으로 이미지 수준 지표(FID)와 물리학 수준 지표(점유, 헬릭스 파라미터 해상도)를 사용한다.

(a) Rdof stands for Random degrees of freedom, which decorates the generator’s sensor/layer embedding with an event-level learnable embedding responsible for the generator’s intra-event correlation. The Relational Reasoning Modules (RRM) in the generator and the discriminator do the intra-event reas

실험 결과

연구 질문

• RQ1 초고해상도이면서 탐지기와 유사한 이미지를 어떻게 충실하게 생성하여 내부 이벤트 상관관계를 보존할 수 있을까?
• RQ2 Relational reasoning과 self-supervised 손실이 고차원 탐지기 데이터에 대해 최첨단 GAN 이상의 충실도와 다양성을 향상시킬 수 있을까?
• RQ3 생성 샘플이 Geant4에 비해 픽셀 수준 분포에서 현실적인 점유, 에너지 분포 및 트랙 파라미터 해상도를 재현하는가?
• RQ4 온더 플라이 생성과 오프라인 백그라운드 오버레이를 비교했을 때 저장 공간을 크게 줄일 수 있을까?

주요 결과

• IEA-GAN은 평가된 모델 중 최저 FID를 달성하여 1.50±0.16으로 WGAN-gp, BigGAN-deep, ContraGAN, PE-GAN을 능가한다.
• IEA-GAN은 내부 이벤트 상관관계와 층 의존적 맥락 정보를 포착하여 샘플 다양성과 현실감을 향상시킨다.
• 모델은 픽셀 수준 분포에서 Geant4와 강한 일치를 보이고 헬릭스 파라미터 해상도에서도 물리적 동작을 유지한다.
• Uniformity 손실과 Relational Reasoning Module은 모드 붕괴를 완화하고 이합성(bi-modal) 점유 분포를 더 잘 표현하는 데 기여한다.
• Belle II PXD(7.5M 채널)에의 적용은 배경 오버레이를 저장하는 대신 온더 플라이 생성을 가능하게 하여 저장 공간 절감을 크게 보여준다.
• 이 접근법은 HL-LHC 규모의 탐지기 시뮬레이션 및 기타 미세 밀도 추정 작업에 적용 가능성이 있다.

(b) The Relational Reasoning Module for the generator (left) and the discriminator (right)