[論文レビュー] Deep generative models for fast photon shower simulation in ATLAS

ATLAS Collaboration|arXiv (Cornell University)|Jan 1, 2022

Particle physics theoretical and experimental studies被引用数 19

ひとこと要約

この論文では、ATLAS電磁エネルギー遮へい器における光子シャワーのシミュレーションを高速化するために、変分オートエンコーダー（VAEs）および生成対抗ネットワーク（GANs）の使用を提案する。Geant4でシミュレートされたシャワーのデータで訓練された両モデルは、完全シミュレーションよりも最大100倍速く、エネルギーと確率的性質を保持したまま、現実的なシャワーを生成する。VAEsはシャワーの形状をよりよくモデル化するが、GANsは全エネルギーとインパルス位置の相関関係をより正確に再現する。

ABSTRACT

The need for large-scale production of highly accurate simulated event samples for the extensive physics programme of the ATLAS experiment at the Large Hadron Collider motivates the development of new simulation techniques. Building on the recent success of deep learning algorithms, variational autoencoders and generative adversarial networks are investigated for modelling the response of the central region of the ATLAS electromagnetic calorimeter to photons of various energies. The properties of synthesised showers are compared with showers from a full detector simulation using GEANT4. Both variational autoencoders and generative adversarial networks are capable of quickly simulating electromagnetic showers with correct total energies and stochasticity, though the modelling of some shower shape distributions requires more refinement. This feasibility study demonstrates the potential of using such algorithms for ATLAS fast calorimeter simulation in the future and shows a possible way to complement current simulation techniques.

研究の動機と目的

• ATLASにおける完全なGeant4ベースのシャワーシミュレーションの計算的ボトル neck を解消するため、高速で学習可能な代替手法を開発すること。
• 深層生成モデルが、光子に対するATLAS電磁エネルギー遮へい器の複雑で確率的な応答を正確に再現できるかどうかを調査すること。
• 従来のパラメトリック応答関数に基づく高速シミュレーション手法と比較して、VAEsとGANsが代替手段として有効かどうかを評価すること。
• モデルが未学習のエネルギーに一般化できる能力、およびシャワー形状、エネルギー、インパルス位置の相関関係を捉えられるかどうかを評価すること。
• 高精度な高速シミュレーションを実現するため、生成モデルに実際の検出器幾何学的構造と読み出しセル構造を組み込む可能性を実証すること。

提案手法

• 中央ATLAS EM遮へい器（0.20 < |η| < 0.25）における150万件のGeant4でシミュレートされた光子シャワーのデータを用いて、変分オートエンコーダー（VAEs）および生成対抗ネットワーク（GANs）を訓練する。
• エネルギー堆積を24層の可変サイズセルに3次元ボクセル化し、粒子軌道を中心とした極座標ボクセル化を採用することで、ηに依存しない一貫性を維持する。
• 空間的およびエネルギー的相関関係のモデル化を向上させるために、GANの入力を光子のエネルギーと擬似ラピディティで条件づける。
• GANには敵対的損失、VAEには再構成およびKLダイバージェンス損失を用い、再パラメータライゼーション勾配に基づく学習を最適化する。
• エネルギー保存則を満たし、クロストークやノイズなどのデジタル化効果を補正するため、後処理を適用する。
• エネルギー比（Rη、Rϕ）、シャワー形状分布、全エネルギー分解能といった指標を用いて、生成されたシャワーと完全なGeant4シミュレーションを比較する。

実験結果

リサーチクエスチョン

• RQ1 VAEsとGANsは、完全なGeant4シミュレーションの統計的性質を再現するATLAS EM遮へい器内の光子シャワーを生成できるか？
• RQ2 生成モデルは、さまざまな光子エネルギーにおける電磁シャワーの全エネルギーと確率的性質をどの程度正確に再現できるか？
• RQ3 モデルは、学習範囲外の光子エネルギー（内挿および外挿）にどの程度一般化できるか？
• RQ4 モデルは、シャワー形状、エネルギー堆積、および遮へい器セル内でのインパルス位置の相関関係をどの程度正確に捉えられるか？
• RQ5 各モデルが縦方向シャワー発展およびセルレベルのエネルギー堆積パターンを再現する際の限界は何か？

主な発見

• VAEおよびGANモデルは、完全なGeant4シミュレーションよりも最大100倍速くシャワーを生成し、メモリ使用量はわずか約5 MBにとどまる。
• VAEは特に横方向および縦方向プロファイルにおいて、シャワーデータの全体的な形状をGANよりも優れてモデル化する。
• GANは全シャワーエネルギーをより正確に再現し、VAEが見逃すインパルス位置とエネルギー堆積の相関関係も捉えている。
• 両モデルとも、学習時に見なかったエネルギー（例：524 GeV）に対しても内挿が成功しており、エネルギー比RηおよびRϕは統計的不確実性の範囲でGeant4シミュレーションと一致する。
• モデルは、明示的なアーキテクチャ的モデリングなしに、ATLAS EM遮へい器の複雑で非一様なセル幾何学的構造と深さの変化をしっかり捉えている。
• 縦方向シャワー発展はGANにとって依然として課題であり、VAEにおける全エネルギーのモデル化にはさらに改善の余地がある。これは今後の改善の重要な分野を示している。