[논문 리뷰] Validation of Deep Convolutional Generative Adversarial Networks for High Energy Physics Calorimeter Simulations

Florian Rehm, S. Vallecorsa외 2명|arXiv (Cornell University)|2021. 01. 01.

Model Reduction and Neural Networks참고 문헌 19인용 수 3

한 줄 요약

이 논문은 고에너지 물리학에서 전자기 칼로리미터 시뮬레이션을 가속화하기 위한 새로운 2차원 합성곱 신경망(Conv2D) 아키텍처를 제안한다. 이는 이전의 3차원 합성곱 GAN(Conv3D) 모델보다 높은 물리 정확도와 더 빠른 추론 속도를 달성한다. Conv2D 접근법은 계산 비용을 줄이면서도 에너지 해상도와 쇼워 형태와 같은 핵심 물리 지표에서 몬테카를로 시뮬레이션과 밀도 있는 일치를 유지한다.

ABSTRACT

In particle physics the simulation of particle transport through detectors requires an enormous amount of computational resources, utilizing more than 50% of the resources of the CERN Worldwide Large Hadron Collider Grid. This challenge has motivated the investigation of different, faster approaches for replacing the standard Monte Carlo simulations. Deep Learning Generative Adversarial Networks are among the most promising alternatives. Previous studies showed that they achieve the necessary level of accuracy while decreasing the simulation time by orders of magnitudes. In this paper we present a newly developed neural network architecture which reproduces a three-dimensional problem employing 2D convolutional layers and we compare its performance with an earlier architecture consisting of 3D convolutional layers. The performance evaluation relies on direct comparison to Monte Carlo simulations, in terms of different physics quantities usually employed to quantify the detector response. We prove that our new neural network architecture reaches a higher level of accuracy with respect to the 3D convolutional GAN while reducing the necessary computational resources. Calorimeters are among the most expensive detectors in terms of simulation time. Therefore we focus our study on an electromagnetic calorimeter prototype with a regular highly granular geometry, as an example of future calorimeters.

연구 동기 및 목표

• 고에너지 물리학에서 몬테카를로 시뮬레이션의 높은 계산 비용 문제를 해결하기 위해.
• 딥 생성 모델을 사용하여 기존의 Geant4 기반 시뮬레이션보다 더 빠르고 정확한 대안을 개발하기 위해.
• 칼로리미터 쇼워 시뮬레이션을 위해 새로운 2차원 합성곱 GAN(Conv2D) 아키텍처를 기존의 3차원 합성곱 GAN(Conv3D) 모델과 비교하기 위해.
• 물리적으로 관련된 지표를 사용하여 새로운 모델의 성능을 몬테카를로 시뮬레이션과 검증하기 위해.
• GAN 기반 시뮬레이션에서 시뮬레이션 속도, 정확도, 샘플 다양성 간의 상호 상충 관계를 평가하기 위해.

제안 방법

• 2차원 특징 맵(각기 다른 검출기 층을 나타냄)을 스택하여 3차원 칼로리미터 쇼워 이미지를 생성하는 2차원 합성곱 신경망(Conv2D) 생성기 모델을 훈련한다.
• 실제 몬테카를로 이미지와 생성된 이미지를 구분하기 위해 판별기 네트워크와 함께 적대적 프레임워크에서 생성기를 훈련한다.
• 잠재 벡터 입력을 사용하고, 역합성곱(트랜스포지드 컨볼루션)을 적용하여 특징 맵을 전체 3차원 쇼워 이미지로 업샘플링한다.
• 고해상도의 전자 쇼워 시뮬레이션 데이터셋을 대규모로 사용하여, 고해상도 전자기 칼로리미터 프로토타입에서 유래한 데이터를 기반으로 훈련을 수행한다.
• 에너지 해상도, 쇼워 형태, 샘플링 비율, SSIM를 통한 이미지 유사도 등 물리 지표를 사용하여 성능을 평가한다.
• 동일한 데이터셋과 검출기 기하구조에서 훈련된 이전에 발표된 Conv3D GAN 모델과 직접 비교한다.

실험 결과

연구 질문

• RQ1 2차원 합성곱 GAN 아키텍처가 칼로리미터 시뮬레이션에서 3차원 합성곱 GAN보다 더 높은 물리 정확도를 달성할 수 있는가?
• RQ2 제안된 Conv2D 모델은 몬테카를로 시뮬레이션에 대한 충실도를 유지하면서도 계산 비용을 줄일 수 있는가?
• RQ3 Conv2D와 Conv3D GAN 모델 간의 생성된 이미지의 다양성은 어떻게 비교되며, 이는 시뮬레이션 유효성에 어떤 영향을 미치는가?
• RQ4 생성된 쇼워 이미지가 실제 몬테카를로 데이터의 통계적 성질(예: 셀 에너지 투과의 평균 및 표준편차)을 어느 정도 재현하는가?
• RQ5 GAN 모델은 충분한 정밀도로 입자 쇼워의 전체 공간적 및 에너지 분포를 재현할 수 있는가? 이는 후속 물리 분석에 충분한가?

주요 결과

• Conv2D GAN은 몬테카를로 데이터와 비교해 평균 셀 에너지 비율 1.00을 달성하였고, 이는 Conv3D 모델의 0.93을 초월한다.
• Conv2D 모델은 단일 셀 에너지 투과의 표준편차를 몬테카를로 값의 0.90으로 줄였고, 이는 Conv3D 모델의 0.86보다 높다.
• Conv2D 모델은 Geant4 대비 추론 시간에서 40배의 속도 향상을 달성하였으며, 이는 Conv3D GAN보다 더 높은 물리 정확도를 유지한다.
• 더 많은 파라미터를 가졌음에도 불구하고, Conv2D 모델은 Conv3D 모델보다 더 빠른 훈련 및 추론 시간을 보였다.
• SSIM 분석 결과, Conv2D로 생성된 이미지는 Conv3D로 생성된 이미지보다 상호 간에 덜 유사한 것으로 나타나, 더 뛰어난 샘플 다양성을 보였다.
• 몬테카를로와 GAN 생성 이미지 간의 SSIM 분석 결과, 두 모델 모두 몬테카를로 데이터 자체와 유사도 수준을 유사하게 유지하였다.