[论文解读] CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows

Claudius Krause, David Shih|arXiv (Cornell University)|Jun 9, 2021

Computational Physics and Python Applications参考文献 65被引用 38

一句话总结

CaloFlow 使用两步正则化流框架来建模 Geant4 级别的量热计淋浴，在定性以及新颖的基于分类器的度量上提升保真度。

ABSTRACT

We introduce CaloFlow, a fast detector simulation framework based on normalizing flows. For the first time, we demonstrate that normalizing flows can reproduce many-channel calorimeter showers with extremely high fidelity, providing a fresh alternative to computationally expensive GEANT4 simulations, as well as other state-of-the-art fast simulation frameworks based on GANs and VAEs. Besides the usual histograms of physical features and images of calorimeter showers, we introduce a new metric for judging the quality of generative modeling: the performance of a classifier trained to differentiate real from generated images. We show that GAN-generated images can be identified by the classifier with nearly 100% accuracy, while images generated from CaloFlow are better able to fool the classifier. More broadly, normalizing flows offer several advantages compared to other state-of-the-art approaches (GANs and VAEs), including: tractable likelihoods; stable and convergent training; and principled model selection. Normalizing flows also provide a bijective mapping between data and the latent space, which could have other applications beyond simulation, for example, to detector unfolding.

研究动机与目标

• 通过探索深度生成建模作为 Geant4 模拟的替代方案，推动对 LHC 风格量热计的更快探测器仿真。
• 证明正则化流可以以高保真度再现高维度的量热计淋浴。
• 提出一个两步 NF 框架以强制能量守恒并实现有意义的淋浴形态比较。
• 引入一个新的基于分类器的度量，用于评估生成的量热计图像的真实度。

提出的方法

• 采用两流架构，其中 Flow I 建模在入射能量条件下的层能量沉积的联合分布，确保能量守恒。
• Flow II 建模完整的分层淋浴图像，条件于 Flow I 的输出，对层进行单位强度归一化并随后按每层能量进行重新缩放。
• 使用 MADE 块及有理二次样条（RQS）作为 NF 变换以实现灵活的密度估计。
• 通过将能量转换为单位归一化的对数逻辑空间并应用噪声正则化来稳定稀疏量热计图像的训练。
• 训练 Flow I 以最大化能量沉积的似然，Flow II 以最大化淋浴图像的似然，然后按顺序采样以生成。

实验结果

研究问题

• RQ1 正则化流是否可以在与 Geant 4 和基于 GAN 的方法相比时，真实再现高维量热计淋浴分布？
• RQ2 两步式的模块化方法是否比单一 NF 提高能量守恒和淋浴形状建模的效果？
• RQ3 一个用于区分真实与生成图像的分类器能否作为衡量量热计生成模型质量的鲁棒指标？
• RQ4 与 GAN 相比，NF 在训练稳定性和量热计仿真模型选择方面有哪些实际优势？

主要发现

• CaloFlow 实现了高保真度的 Geant 4 类量热计图像，在平均图像质量上优于 CaloGAN，且避免了 GAN 常见的模式坍缩。
• 一个新的基于分类器的度量显示 CaloFlow 图像比 CaloGAN 图像更不容易被分类器区分于 Geant 4，表明分布对齐更为接近。
• 含能量守恒的 Flow I 与学习形状的 Flow II 的两流架构提供了一个鲁棒框架，将能源建模与形态建模分离，提升准确性。
• Flow II 采用分层条件化和单位归一化的层能量，提升了对三个量热计层中淋浴形状的学习。
• 噪声正则化和对数逻辑空间的预处理对稳定训练和在高维量热计数据中改善稀疏性处理至关重要。