[논문 리뷰] ELSA -- Enhanced latent spaces for improved collider simulations

Benjamin Nachman, Ramon Winterhalder|arXiv (Cornell University)|2023. 05. 12.

Particle physics theoretical and experimental studies인용 수 5

한 줄 요약

이 논문은 머신러닝을 활용하여 잠재공간을 정교화하고 노멀라이징 플로우를 보강함으로써 콜라이더 시뮬레이션의 정밀도를 향상시키는 ELSA 프레임워크를 소개한다. 다양한 운동량 영역에서 위상공간 샘플링 정밀도가 백분율 이하 수준에 도달하며, 계산 비용을 최소화하면서도 시뮬레이션의 정밀도를 크게 향상시킨다.

ABSTRACT

Simulations play a key role for inference in collider physics. We explore various approaches for enhancing the precision of simulations using machine learning, including interventions at the end of the simulation chain (reweighting), at the beginning of the simulation chain (pre-processing), and connections between the end and beginning (latent space refinement). To clearly illustrate our approaches, we use W+jets matrix element surrogate simulations based on normalizing flows as a prototypical example. First, weights in the data space are derived using machine learning classifiers. Then, we pull back the data-space weights to the latent space to produce unweighted examples and employ the Latent Space Refinement (LASER) protocol using Hamiltonian Monte Carlo. An alternative approach is an augmented normalizing flow, which allows for different dimensions in the latent and target spaces. These methods are studied for various pre-processing strategies, including a new and general method for massive particles at hadron colliders that is a tweak on the widely-used RAMBO-on-diet mapping. We find that modified simulations can achieve sub-percent precision across a wide range of phase space.

연구 동기 및 목표

• 콜라이더 시뮬레이션에 사용되는 딥 생성 모델에서 발생하는 위상학적 장애물과 정밀도 손실 문제를 해결한다.
• 계산 비용을 증가시키지 않고 고에너지 물리학 시뮬레이션 정밀도를 향상시킨다.
• 잠재공간을 정교화하고 노멀라이징 플로우를 향상시키는 일반화 가능하고 계산 효율적인 방법을 개발한다.
• 운동량 절단과 공진 구조를 포함한 복잡한 과정인 W+jets에 대해 고정밀 이벤트 생성을 가능하게 한다.
• 다양한 서rogate 모델과 콜라이더 물리학의 시뮬레이션 파이프라인에 적용 가능한 프레임워크를 제공한다.

제안 방법

• 해밀토니안 몬테카를로를 사용하여 데이터 공간의 가중치를 잠재공간으로 역으로 전파함으로써 무중량화되고 정교화된 샘플을 확보하기 위해 잠재공간 정교화(Laser) 프rotocol를 적용한다.
• 머신러닝 분류기들을 사용하여 서rogate 모델과 기준 시뮬레이션 간의 격차를 보정할 수 있는 데이터 공간 가중치를 유도한다.
• 목표 특징 공간보다 더 높은 차원의 잠재공간을 갖는 보강된 노멀라이징 플로우를 구현하여 위상학적 제약을 극복한다.
• 하드론 콜라이더에서 대량 입자를 위한 새로운 사전처리 방법을 도입하였으며, 이는 수정된 RamboOnDiet 매핑 기반이다.
• 잠재공간 정교화와 보강된 플로우를 결합하여 날카로운 위상공간 경계나 공진 구조가 있는 영역에서 샘플링 품질을 향상시킨다.
• 노멀라이징 플로우를 대표적인 예시로 삼아 W+jets 행렬원소 서rogate 시뮬레이션을 기반으로 모델을 훈련하고 검증한다.

실험 결과

연구 질문

• RQ1 해밀토니안 몬테카를로를 통한 잠재공간 정교화가 콜라이더 시뮬레이션에서 딥 생성 모델의 정밀도를 상당히 향상시킬 수 있는가?
• RQ2 더 높은 차원의 잠재공간을 갖는 보강된 노멀라이징 플로우가 위상공간 샘플링에서 위상학적 장애물을 어느 정도 완화할 수 있는가?
• RQ3 제안된 대량 입자를 위한 사전처리 방법이 복잡한 위상공간 영역에서 시뮬레이션 정밀도 향상에 얼마나 효과적인가?
• RQ4 데이터 공간 재가중치와 잠재공간 정교화의 조합이 이벤트 생성에서 백분율 이하 정밀도를 달성할 수 있는가?
• RQ5 이러한 방법들이 고에너지 물리학의 다른 서rogate 모델과 시뮬레이션 체인에 얼마나 일반화 가능한가?

주요 결과

• Laser 프로토콜는 데이터 공간 가중치를 잠재공간으로 성공적으로 전파하여 무중량화되고 고정밀도의 샘플을 생성하며 통계적 품질을 향상시킨다.
• 더 높은 차원의 잠재공간을 갖는 보강된 노멀라이징 플로우는 다중 공진 및 경계 영역에서 표준 노멀라이징 플로우의 성능을 제한하는 위상학적 장애물을 효과적으로 완화한다.
• 대량 입자를 위한 수정된 RamboOnDiet 사전처리 방법은 특히 운동량 임계점 근처에서 위상공간 샘플링 정밀도를 향상시킨다.
• 잠재공간 정교화와 보강된 플로우의 조합은 W+jets 시뮬레이션에서 광범위한 위상공간 영역에서 백분율 이하 정밀도를 달성한다.
• 이 프레임워크는 계산 효율적이며 일반화 가능하여 콜라이더 물리학의 다양한 서rogate 모델과 시뮬레이션 파이프라인에 적용할 수 있다.
• 이 방법은 최소한의 계산 오버헤드로 고정밀 시뮬레이션을 가능하게 하여 HL-LHC 데이터 분석에 적합하다.