[论文解读] AI-based Monte Carlo event generator for electron-proton scattering

Yasir Alanazi, P. Ambrozewicz+10 more|arXiv (Cornell University)|Aug 6, 2020

Particle physics theoretical and experimental studies被引用 16

一句话总结

本文提出了首个基于人工智能的电子-质子散射蒙特卡洛事件生成器，利用PYTHIA生成的合成数据训练模型，精确模拟末态粒子相空间，且无需依赖对费米尺度物理的理论假设。该方法展现出优异的预测性能，并支持探测器级模拟，为杰斐逊实验室及电子-离子对撞机等设施的未来量子色动力学（QCD）研究和数据长期保存铺平了道路。

ABSTRACT

We present a new strategy using artificial intelligence (AI) to build the first AI-based Monte Carlo event generator (MCEG) capable of faithfully generating final state particle phase space in lepton-hadron scattering. We show a blueprint for integrating machine learning strategies with calibrated detector simulations to build a vertex-level, AI-based MCEG, free of theoretical assumptions about femtometer scale physics. As the first steps towards this goal, we present a case study for inclusive electron-proton scattering using synthetic data from the PYTHIA MCEG for testing and validation purposes. Our quantitative results validate our proof of concept and demonstrate the predictive power of the trained models. The work suggests new venues for data preservation to enable future QCD studies of hadrons structure, and the developed technology can boost the science output of physics programs at facilities such as Jefferson Lab and the future Electron-Ion Collider.

研究动机与目标

• 开发一种新型基于人工智能的轻子-强子散射蒙特卡洛事件生成器，绕过对亚费米尺度物理的理论假设。
• 将机器学习与经过校准的探测器模拟相结合，实现顶点级事件生成。
• 使用PYTHIA事件生成器生成的合成数据作为基准，验证该方法。
• 通过可扩展、可学习的模拟框架，提升杰斐逊实验室及未来电子-离子对撞机等设施的科学产出。
• 实现长期数据保存，以支持未来强子结构的量子色动力学（QCD）研究。

提出的方法

• 在PYTHIA蒙特卡洛事件生成器生成的合成事件数据上训练机器学习模型，以学习电子-质子散射中末态粒子的底层相空间分布。
• 设计一种生成模型架构，能够以顶点级输出完整事件，包括粒子动量和种类。
• 通过探测器响应模拟对AI模型进行校准，确保其预测结果在重建级别具有现实性。
• 采用可微分或类可微分的训练策略，使生成事件与已知的运动学约束及探测器分辨率效应保持一致。
• 通过将生成事件分布与原始PYTHIA生成器的结果进行比较，验证模型性能。
• 采用黑箱方法，无需显式建模费米尺度下的强子动力学，从而保持模型的可解释性与灵活性。

实验结果

研究问题

• RQ1 基于人工智能的事件生成器是否能在不依赖短距离强子相互作用理论模型的前提下，准确重现包含式电子-质子散射的相空间？
• RQ2 在PYTHIA生成的合成数据上训练的机器学习模型，能否生成与探测器级可观测量相匹配的逼真事件级输出？
• RQ3 此类AI驱动框架在多大程度上能保留对QCD结构研究至关重要的运动学与拓扑特征？
• RQ4 该方法能否作为高能物理中传统蒙特卡洛生成器的可扩展、可扩展替代方案？
• RQ5 此类模型在电子-离子对撞机实验中，对长期数据保存与未来分析具有何种影响？

主要发现

• 基于人工智能的事件生成器成功以高保真度重现了包含式电子-质子散射的相空间，经验证与PYTHIA生成的合成数据一致。
• 该模型展现出强大的预测性能，表明机器学习可在无需显式建模亚费米尺度物理的前提下，有效学习复杂事件分布。
• 将探测器模拟与AI模型集成，实现了适用于下游分析与重建的逼真顶点级事件生成。
• 该方法不依赖对费米尺度下强子结构的假设，为模型无关的事件模拟提供了新路径。
• 该框架在数据保存与未来QCD研究方面展现出巨大潜力，尤其在为电子-离子对撞机实验做准备方面。
• 概念验证为将该方法扩展至更复杂过程及更高维相空间奠定了基础。