[论文解读] Refining Fast Calorimeter Simulations with a Schrödinger Bridge

Sascha Diefenbacher, V. M. Mikuni+1 more|arXiv (Cornell University)|Aug 23, 2023

Machine Learning in Materials Science被引用 14

一句话总结

SQuIRELS 使用 Schrödinger 桥接来将快速的卡洛里计量器模拟（GFlash）精炼为基于 Geant4 的完整模拟，在显著减少计算时间的同时，与真实值的吻合度更高。

ABSTRACT

Machine learning-based simulations, especially calorimeter simulations, are promising tools for approximating the precision of classical high energy physics simulations with a fraction of the generation time. Nearly all methods proposed so far learn neural networks that map a random variable with a known probability density, like a Gaussian, to realistic-looking events. In many cases, physics events are not close to Gaussian and so these neural networks have to learn a highly complex function. We study an alternative approach: Schrödinger bridge Quality Improvement via Refinement of Existing Lightweight Simulations (SQuIRELS). SQuIRELS leverages the power of diffusion-based neural networks and Schrödinger bridges to map between samples where the probability density is not known explicitly. We apply SQuIRELS to the task of refining a classical fast simulation to approximate a full classical simulation. On simulated calorimeter events, we find that SQuIRELS is able to reproduce highly non-trivial features of the full simulation with a fraction of the generation time.

研究动机与目标

• 在高能物理中推动快速、 高精度的卡洛里计量器模拟。
• 提出基于 Schrödinger 桥的 refined (SQuIRELS) 方法，将快速模拟映射到完整模拟，而无需显式输入密度。
• 演示对能量和完整的 10×10 卡洛里淋浴的 1 对 1 精炼。
• 以 Geant4 为基准评估精度，并在 CPU 与 GPU 上评估计算加速。
• 提供可公开获得的数据和代码以便重复性研究与进一步研究。

提出的方法

• 采用 Schrödinger 桥 (SB) 公式对来自快速模拟器的样本进行精炼，使其趋向高保真目标。
• 采用受 IPF 启发的迭代传输，正向与反向漂移函数由神经网络近似。
• 引入 SQuIRELS-E，用于基于入射能量条件的一维能量和精炼；训练一个全连接的编码-解码器以映射能量和。
• 扩展到 SQuIRELS，用于 10×10 卡洛里淋浴，条件为入射能量以及来自源分布和目标分布的能量和。
• 通过归一化和正弦波时步嵌入对输入进行预处理；使用 Adam 优化器和 EMA 进行训练。

实验结果

研究问题

• RQ1 基于 Schrödinger 桥的精炼是否能够将来自快速卡洛里计量器模拟（GFlash）的样本映射到与完整 Geant4 模拟在能量和完整淋浴图像两方面相匹配？
• RQ2 两步法（SQuIRELS-E 用于能量和，SQuIRELS 用于完整淋浴）是否在显著加速的同时重现 Geant4 级特征？
• RQ3 在分布精度（EMD）方面的定量增益是多少，且 CPU 与 GPU 的加速对比如何？
• RQ4 在不同入射能量（20、50、80 GeV）以及固定能量测试下，1 对 1 精炼是否具有鲁棒性？
• RQ5 SQuIRELS 如何在不需要显式输入密度函数的情况下处理高维的卡洛里计量数据？

主要发现

• SQuIRELS-E 在 20、50、80 GeV 的能量和分布方面与 Geant4 接近一致，相较于 GFlash 的不匹配显著降低。
• SQuIRELS（full）在对完整淋浴进行精炼时保持能量和的一致性，并在多个观测量上与 Geant4 保持强一致性。
• 在若干观测量（能量和、谱、击中计数、横向轮廓）中，SQuIRELS 在与 Geant4 的匹配方面优于 GFlash， discrepancy 指标更低。
• 计算时间显示，SQuIRELS 精炼一个淋浴在 CPU 上约快 50× 比 Geant4，在 GPU 上约快 7700×，而 GFlash 的前置处理在 GPU 时间上占主导。
• 总体而言，SQuIRELS 相对于快速模拟器提供显著的精度提升，同时相对于 Geant4 保留显著的加速，即使在 CPU 硬件上也是如此。