[논문 리뷰] Graph Generative Models for Fast Detector Simulations in High Energy Physics

A. Hariri, Darya Dyachkova외 1명|arXiv (Cornell University)|2021. 04. 05.

Particle physics theoretical and experimental studies참고 문헌 54인용 수 11

한 줄 요약

이 논문은 고에너지물리학에서 입자 검출기 반응의 빠르고 고정밀 시뮬레이션을 위한 그래프 변동 자동차오더(GVAE)를 제안한다. 검출기 히트를 그래프로 모델링하고, 공간 컨볼루션 및 mincut 풀링을 활용하여, 실질적인 칼로리메터 및 트랙 침착을 생성하는 압축된 잠재 표현을 학습한다. 4개의 GPU에서 2.73배의 속도 향상을 기록하면서도 물리 정확도를 유지하는 다중 GPU 훈련을 효율적으로 수행한다.

ABSTRACT

Accurate and fast simulation of particle physics processes is crucial for the high-energy physics community. Simulating particle interactions with detectors is both time consuming and computationally expensive. With the proton-proton collision energy of 13 TeV, the Large Hadron Collider is uniquely positioned to detect and measure the rare phenomena that can shape our knowledge of new interactions. The High-Luminosity Large Hadron Collider (HL-LHC) upgrade will put a significant strain on the computing infrastructure due to increased event rate and levels of pile-up. Simulation of high-energy physics collisions needs to be significantly faster without sacrificing the physics accuracy. Machine learning approaches can offer faster solutions, while maintaining a high level of fidelity. We discuss a graph generative model that provides effective reconstruction of LHC events, paving the way for full detector level fast simulation for HL-LHC.

연구 동기 및 목표

• HL-LHC에서 피크업 및 이벤트 레이트 증가로 인한 전체 검출기 시뮬레이션의 증가하는 계산 부담을 해결하기 위해.
• 기존의 매개변수화 또는 단순화된 모델과 비교해도 높은 물리 정확도를 유지하는 빠른 시뮬레이션 방법을 개발하기 위해.
• 그래프 기반 딥 생성 모델링을 통해 칼로리메터 침착 및 트랙의 현실적인 표현을 학습함으로써 전체 검출기 수준의 시뮬레이션을 가능하게 하기 위해.
• 향후 대규모 고에너지물리학 시뮬레이션을 지원하기 위해 다중 GPU 시스템에서의 확장 가능한 훈련 성능을 달성하기 위해.
• 복잡한 검출기 반응 패턴을 포괄하면서도 추론 시에 계산적으로 효율적인 생성 모델을 제공하기 위해.

제안 방법

• 검출기 히트를 노드로, 공간적 근접도로 간선을 정의하여 입자 충돌 이벤트를 그래프로 표현한다.
• 잠재 공간에서 검출기 히트 간 국소 상호작용을 인코딩하기 위해 그래프 컨볼루션 레이어를 적용한다.
• 계층적으로 그래프를 압축함으로써 중요한 특징을 잠재 표현에 유지하는 mincut 풀링을 사용한다.
• 재파arameterization 기법을 활용해 미분 가능 샘플링과 엔드 투 엔드 최적화를 가능하게 하기 위해 변동 자동차오더를 훈련한다.
• 디코더를 통해 잠재 벡터를 복원하여 학습된 분포에서 전체 검출기 수준의 이벤트를 생성한다.
• 여러 GPU를 통해 Horovod를 활용한 분산 데이터 병렬 처리와 함께 혼합 정밀도 훈련(FP16)을 최적화하여 훈련을 수행한다.

실험 결과

연구 질문

• RQ1 그래프 기반 변동 자동차오더는 고에너지물리학 이벤트의 현실적인 검출기 수준 반응을 효과적으로 학습하고 생성할 수 있는가?
• RQ2 GVAE는 전체 시뮬레이션 또는 Delphes와 같은 매개변수화 모델과 비교해 물리 정확도를 얼마나 잘 유지하는가?
• RQ3 GVAE 훈련 파이프라인은 다중 GPU에서 얼마나 확장 가능한가? 근선형 속도 향상을 달성할 수 있는가?
• RQ4 학습된 잠재 공간은 쇼어어 형상 및 피크업 효과와 같은 복잡한 검출기 반응 패턴을 어느 정도 잘 포괄하는가?
• RQ5 모델은 새로운 이벤트 위상 구조에 일반화되며, 빠른 시뮬레이션을 위한 저지연 추론을 유지할 수 있는가?

주요 결과

• GVAE 모델은 2개에서 4개의 GPU로 확장할 때 훈련 시간에 2.73배의 속도 향상을 기록하여 강력한 다중 GPU 확장성을 입증한다.
• GPU 처리 이전의 CPU 최적화 및 데이터 로딩 향상으로 인해 훈련 시간이 50% 감소한다.
• NVIDIA의 AMP 라이브러리를 활용한 혼합 정밀도 훈련은 정확도를 손상시키지 않으면서도 더 빠른 계산과 메모리 사용 감소를 가능하게 한다.
• GVAE는 칼로리메터 침착 및 트랙을 포함한 전체 검출기 수준의 이벤트를 고정밀도로 재구성하는 데 성공한다.
• 그래프 컨볼루션과 mincut 풀링의 사용은 검출기 히트의 공간적 및 관계적 구조를 효과적으로 모델링할 수 있게 한다.
• 단일 전방 전파를 통해 효율적인 추론을 지원하여, HEP 워크플로우에서의 빠른 시뮬레이션에 적합하다.