[论文解读] Deep generative models for fast photon shower simulation in ATLAS

ATLAS Collaboration|arXiv (Cornell University)|Jan 1, 2022

Particle physics theoretical and experimental studies被引用 19

一句话总结

本文提出使用变分自编码器（VAEs）和生成对抗网络（GANs）来加速ATLAS电磁 calorimeter中光子簇射的模拟。在Geant4模拟的簇射数据上进行训练后，两种模型的生成速度比完整模拟快达100倍，同时保持了能量和随机性的准确性；其中VAEs在建模簇射形状方面表现更优，而GANs在更准确重现总能量及影响位置相关性方面表现更佳。

ABSTRACT

The need for large-scale production of highly accurate simulated event samples for the extensive physics programme of the ATLAS experiment at the Large Hadron Collider motivates the development of new simulation techniques. Building on the recent success of deep learning algorithms, variational autoencoders and generative adversarial networks are investigated for modelling the response of the central region of the ATLAS electromagnetic calorimeter to photons of various energies. The properties of synthesised showers are compared with showers from a full detector simulation using GEANT4. Both variational autoencoders and generative adversarial networks are capable of quickly simulating electromagnetic showers with correct total energies and stochasticity, though the modelling of some shower shape distributions requires more refinement. This feasibility study demonstrates the potential of using such algorithms for ATLAS fast calorimeter simulation in the future and shows a possible way to complement current simulation techniques.

研究动机与目标

• 通过开发快速、可学习的替代方法，解决ATLAS中基于完整Geant4模拟的簇射模拟计算瓶颈问题。
• 探究深度生成模型是否能够准确再现ATLAS电磁calorimeter对光子的复杂、随机响应。
• 评估VAEs与GANs作为基于参数化响应函数的现有快速模拟技术的替代方案的性能。
• 评估模型在未见能量下的泛化能力，以及对簇射形状、能量与影响位置之间相关性的捕捉能力。
• 证明在生成建模中使用真实探测器几何结构与读出单元结构的可行性，以实现高保真度的快速模拟。

提出的方法

• 在150万个Geant4模拟的光子簇射数据上训练变分自编码器（VAEs）和生成对抗网络（GANs），数据来自ATLAS中央电磁calorimeter区域（0.20 < |η| < 0.25）。
• 采用3D体素化表示方式，对24层不同尺寸的单元中能量沉积进行建模，使用以粒子轨迹为中心的极坐标体素化方法，以保持η值变化下的结构一致性。
• 通过输入光子的能量与伪快度（pseudorapidity）对GAN进行条件化，以改善空间与能量相关性的建模。
• 使用对抗损失优化GAN，使用重参数化梯度方法训练VAE，同时结合重构损失与KL散度损失。
• 应用后处理步骤以确保能量守恒，并校正串扰与噪声等数字化效应。
• 通过能量比（Rη, Rϕ）、簇射形状分布及总能量分辨率等指标，将生成的簇射与完整Geant4模拟结果进行比较。

实验结果

研究问题

• RQ1 VAEs与GANs能否生成与完整Geant4模拟具有相同统计特性的ATLAS电磁calorimeter光子簇射？
• RQ2 这些生成模型在不同光子能量下，对电磁簇射的总能量与随机性再现能力如何？
• RQ3 模型在训练范围外的光子能量（插值与外推）下，其泛化能力达到何种程度？
• RQ4 模型在多大程度上准确捕捉了簇射形状、能量沉积与calorimeter单元内影响位置之间的相关性？
• RQ5 每种模型在再现纵向簇射发展与单元级能量沉积模式方面存在哪些局限性？

主要发现

• VAE与GAN模型的计算成本比完整Geant4模拟快达100倍，内存占用仅约5 MB。
• VAE在建模簇射分布的整体形状方面优于GAN，尤其在横向与纵向剖面中表现更佳。
• GAN更准确地再现了总簇射能量，并捕捉到了VAE所遗漏的影响位置与能量沉积之间的相关性。
• 两种模型在未见训练能量（如524 GeV）下均表现出良好插值能力，能量比Rη与Rϕ与Geant4模拟结果在统计不确定性范围内一致。
• 模型在无需显式建模这些特征的情况下，仍能稳健地捕捉ATLAS电磁calorimeter中复杂的非均匀单元几何结构与深度变化。
• GAN在纵向簇射发展建模方面仍存在挑战，而VAE在总能量建模方面仍需改进，表明未来优化的关键方向。