[論文レビュー] How to GAN Higher Jet Resolution

Pierre Baldi, Lukas Blecher+7 more|arXiv (Cornell University)|Dec 22, 2020

Particle physics theoretical and experimental studies被引用数 8

ひとこと要約

本稿では、LHCジェット画像の解像度を向上させるための、生成的敵対的ネットワーク（GAN）を提案する。このGANは、QCD物理学の原理を元に、低解像度のジェット画像から高解像度の対応画像を生成する。低解像度のジェット画像で訓練されたこのGANは、QCDジェットおよびトップクォークジェットの両方で、微調整なしに優れた性能を達成しており、物理的特徴を保持する。ネットワークの複雑さは、ジェットの種別に応じた複雑さに直接関連している。

ABSTRACT

QCD-jets at the LHC are described by simple physics principles. We show how super-resolution generative networks can learn the underlying structures and use them to improve the resolution of jet images. We test this approach on massless QCD-jets and on fat top-jets and find that the network reproduces their main features even without training on pure samples. In addition, we show how a slim network architecture can be constructed once we have control of the full network performance.

研究の動機と目的

• 検出器の限界を超えてLHCジェット画像の解像度を向上させる深層学習手法を構築すること。
• 生成モデルを用いて、QCD物理学の原理を組み込むことで、低解像度入力から高解像度ジェット構造を再構築できるかを検証すること。
• QCDジェットとトップクォークジェットの間で、あるジェット種別で訓練したネットワークを別のジェット種別に適用することで、モデルの一般化性能を評価すること。
• 特に異なるジェット種別に対して、正確な超解像を達成するために必要な最小限のネットワーク複雑さを特定すること。
• 超解像が、実験的素粒子物理学における一貫性チェック、プイルアップ低減、および改善されたジェット測定のためのツールとしての可能性を検討すること。

提案手法

• 超解像GANは、残差密ブロック（RRDB）をベースとする生成器と、パッチベースの識別器を用いて、低解像度（LR）ジェット画像を高解像度（HR）対応画像にマッピングするように訓練される。
• ネットワークは、コラinearおよびソフトQCD分割の物理的性質を活用して、シミュレートされたQCDおよびトップクォークジェット画像で訓練される。
• 真のHR画像と生成されたSR画像のジェット観測量（例：最大ピクセルエネルギー）の分布間の1次元Wasserstein距離を用いて、性能を評価する。
• ネットワークの複雑さを段階的に低減させ、RRDBブロックの数を減少させることでスリムなネットワークアーキテクチャを導出する。性能は、異なるジェット種別でモニタリングされる。
• 一貫性チェックのための条件付き超解像を検討し、キャリブレーションやプイルアップ除去の可能性を高める。
• モデルの一般化を検証するため、あるジェット種別で訓練したネットワークを別のジェット種別に適用し、耐性および転送可能性を評価する。

実験結果

リサーチクエスチョン

• RQ1 QCD物理学の原理を組み込むことで、超解像GANは、低解像度入力から高解像度ジェット画像を再構築し、重要な物理的特徴を保持できるか？
• RQ2 トップクォークジェットはより複雑な物理学的背景を持つにもかかわらず、QCDジェットとトップクォークジェットの間で、必要なネットワーク複雑さはどのように異なるか？
• RQ3 あるジェット種別で訓練したネットワークが、別のジェット種別にどれほど一般化できるか。これは、モデルの独立性と耐性を示す。
• RQ4 超解像ネットワークは、キャリブレーション性能が低い領域やプイルアップ低減に寄与できるか？
• RQ5 異なるジェット種別に対して、高忠実度の超解像を達成するために必要な最小限のネットワークアーキテクチャは何か？

主な発見

• 超解像GANは、QCDジェットおよびトップクォークジェットの両方で、高解像度ジェット画像を成功裏に再構築でき、1つのジェット種別でのみ訓練された場合でも、強力な一般化性能とモデルの独立性を示した。
• トップクォークジェットでは、QCDジェットよりも一貫して高い性能を示し、高忠実度を達成するためのRRDBブロック数が少ない。これは、トップクォークジェットがより複雑な物理学的背景を持つにもかかわらず、逆に優れた性能を示す。
• ネットワークの深さが増すにつれて、真のジェット観測量と生成されたジェット観測量の間のWasserstein距離は減少し、QCDジェットでは顕著な改善が見られた。一方、トップクォークジェットでは、最小限のアーキテクチャでも性能はすでに高い水準に達している。
• 必要なネットワーク複雑さは、ジェットの本質的複雑さではなく、解像度の低下に起因する。QCDジェットは、広がりがあり局所的でない構造のため、より多くのパラメータを必要とする。
• 本手法は、異なるジェット種別にわたる一貫性ある超解像を可能にし、混合サンプルでの訓練が可能となり、ジェットフレーバー分離に起因する複雑さを軽減する。
• 本アプローチは、キャリブレーションの一貫性チェックやプイルアップ低減の観点から有望であり、低解像度キャリブレーションデータと高解像度トラッキング情報の整合性を図る。