[论文解读] Event Generation and Statistical Sampling with Deep Generative Models

Sydney Otten, Luc Hendriks+7 more|arXiv (Cornell University)|Jan 3, 2019

Computational Physics and Python Applications被引用 5

一句话总结

该论文提出了一种基于变分自编码器（VAE）的潜在空间密度感知生成模型，利用缓冲的事件频率信息，使事件分布的生成速度比传统蒙特卡罗方法快达10^8倍，且物理上准确。通过在潜在空间中学习事件密度并将其作为先验，该方法实现了与多个高能物理模型中真实蒙特卡罗数据高度一致的高保真采样。

ABSTRACT

<!--HTML-->We present a study for the generation of events from a physical process with generative deep learning. To simulate physical processes it is not only important to produce physical events, but also to produce the events with the right frequency of occurrence (density). We investigate the feasibility to learn the event generation and the frequency of occurrence with Generative Adversarial Networks (GANs) and Variational Autoencoders (VAEs) to produce events like Monte Carlo generators. We study three toy models from high energy physics, i.e. a simple two-body decay, the processes $e^+e^-\ o Z \ o l^+l^-$ and $p p \ o t\\bar{t} $ including the decay of the top quarks and a simulation of the detector response. We show that GANs and the standard VAE do not produce the right distributions. By buffering density information of Monte Carlo events in latent space given the encoder of a VAE we are able to construct a prior for the sampling of new events from the decoder that yields distributions that are in very good agreement with real Monte Carlo events and are generated $\\mathcal{O}(10^8)$ times faster. Applications of this work include generic density estimation and sampling, targeted event generation via a principal component analysis of encoded events in the latent space and the possibility to generate better random numbers for importance sampling, e.g. for the phase space integration of matrix elements in quantum perturbation theories. The method also allows to build event generators directly from real data events.

研究动机与目标

• 开发一种深度生成模型，以重现物理过程中的事件动量构型及其正确的发生频率（密度）。
• 克服标准生成对抗网络（GAN）和变分自编码器（VAE）在高能物理模拟中无法捕捉事件密度分布的局限性。
• 为量子场论中的相空间积分和重要性采样等应用，实现快速、精确的采样。
• 直接从真实数据事件构建事件生成器，无需依赖理论矩阵元。
• 通过潜在空间中的主成分分析（PCA），提供一种针对性事件生成的框架。

提出的方法

• 利用VAE的编码器在潜在空间中缓冲蒙特卡罗事件的密度，以保留频率信息。
• 基于缓冲的事件密度，在潜在空间上构建一个学习到的先验分布，以指导采样。
• 通过从学习到的密度感知先验中采样，并使用VAE解码器生成新事件。
• 对编码后的事件应用主成分分析（PCA），以实现在潜在空间特定区域的针对性生成。
• 在三个高能物理模型玩具模型上训练VAE和GAN模型：二体衰变、Z玻色子衰变，以及包含探测器响应的顶夸克对产生。
• 利用生成模型大规模采样事件，实现相比标准蒙特卡罗方法约10^8倍的速度提升。

实验结果

研究问题

• RQ1 标准GAN和VAE能否生成符合蒙特卡罗模拟所需正确物理频率（密度）的事件？
• RQ2 真实蒙特卡罗事件的潜在空间表征能否用于编码并保留事件密度信息？
• RQ3 在潜在空间中学习到的密度感知先验是否能相比标准VAE和GAN，提升生成事件分布的保真度？
• RQ4 该方法在多大程度上能加速事件生成，同时保持与真实蒙特卡罗数据的一致性？
• RQ5 该方法能否直接从真实数据事件生成事件，从而绕过理论模型？

主要发现

• 标准GAN和VAE无法重现正确的事件频率分布，导致物理过程中采样不准确。
• 在潜在空间中缓冲事件密度，可构建出与真实蒙特卡罗数据高度一致的事件分布的先验。
• 所提出的方法生成事件的速度约为传统蒙特卡罗事件生成器的10^8倍。
• 通过潜在空间中编码事件的主成分分析，该方法支持针对性事件生成，实现在特定动量区域的聚焦采样。
• 该方法允许直接从真实数据事件生成事件，无需依赖理论矩阵元或模拟模型。
• 该方法可改进量子微扰理论中矩阵元相空间积分的重要性采样中的随机数生成。