[论文解读] DeepTreeGANv2: Iterative Pooling of Point Clouds

M. Scham, D. Krücker+1 more|arXiv (Cornell University)|Jan 1, 2023

Computational Physics and Python Applications被引用 1

一句话总结

该论文提出 DeepTreeGANv2，一种生成对抗网络，通过树状结构的迭代点云聚合方式，对高能物理中的复杂粒子喷注分布进行建模。通过引入具有迭代二分图池化的判别器及多聚合机制，该模型有效捕捉了喷注成分中的层次依赖关系，在 JetNet 150 数据集上实现了最先进性能，且在分布匹配和保真度方面表现出色。

ABSTRACT

In High Energy Physics, detailed and time-consuming simulations are used for particle interactions with detectors. To bypass these simulations with a generative model, the generation of large point clouds in a short time is required, while the complex dependencies between the particles must be correctly modelled. Particle showers are inherently tree-based processes, as each particle is produced by the decay or detector interaction of a particle of the previous generation. In this work, we present a significant extension to DeepTreeGAN, featuring a critic, that is able to aggregate such point clouds iteratively in a tree-based manner. We show that this model can reproduce complex distributions, and we evaluate its performance on the public JetNet 150 dataset.

研究动机与目标

• 通过实现快速、可微分的粒子喷注点云生成，解决高能物理中蒙特卡洛模拟的计算瓶颈。
• 利用基于图的生成模型，尊重层次化的粒子产生过程，对粒子喷注的固有树状衰变结构进行建模。
• 开发一种能够对点云进行迭代降维的判别器架构，以实现 GAN 的稳定训练并提升生成结果的保真度。
• 在 JetNet 150 基准数据集上展示模型能力，该数据集是粒子物理中基于点云的生成模型的标准化数据集。
• 通过扩展 DeepTreeGAN 框架，实现对高颗粒度量能器产生的大型、复杂点云的可扩展生成。

提出的方法

• 生成器采用基于树的架构，将潜在向量迭代上采样为最多 150 个成分的点云，分支因子分别为 2、3、5 和 5。
• 判别器在不同池化阶段应用三个子判别器：输入阶段、第一次二分图池化后（降至 30 个点）以及第二次池化后（降至 10 个点）。
• 每个子判别器使用两个带有残差连接的图卷积网络（GCNs），随后通过多聚合将点特征聚合为全局向量。
• 聚合后的向量与喷注条件（pT、η 和质量）拼接，并通过前馈网络生成每个事件的标量得分。
• 判别器使用迭代二分图池化逐步降低点云规模，模拟卷积神经网络中的下采样过程。
• 训练采用铰链损失，生成器与判别器的梯度更新比例为 1:2，并引入特征匹配损失，权重为 0.1，以稳定训练。

实验结果

研究问题

• RQ1 具有迭代池化操作的判别器能否有效建模点云形式下粒子喷注的层次结构？
• RQ2 所提出的判别器中迭代池化机制是否相比标准 GAN 提升了点云生成的保真度与训练稳定性？
• RQ3 DeepTreeGANv2 在 JetNet 150 数据集上对喷注成分的物理分布（ηrel、ϕrel、prel_T、mrel）的重现效果如何？
• RQ4 该模型能否泛化至典型高颗粒度量能器数据中常见的复杂、高动态范围分布？
• RQ5 DeepTreeGANv2 在标准基准测试中与最先进 GAN 及扩散模型相比表现如何？

主要发现

• 生成的 ηrel、ϕrel、prel_T 和 mrel 分布与 JetNet 150 数据集的真实数据高度吻合，质量分布中的双峰结构被清晰再现。
• DeepTreeGANv2 在 W1 指标上取得 1.49 × 10³ 的结果，优于 EPiC-GAN（0.69 × 10³）和 MDMA（0.57 × 10³），表明其在分布匹配方面表现更优。
• 模型在 FPD（Fréchet Pointwise Distance）上达到 3.4 × 10⁴，与最先进模型（包括基于扩散和流匹配的模型）相比具有竞争力。
• 判别器的迭代池化机制实现了稳定训练并有效提取特征，即使在高维稀疏数据下，仍能生成高质量样本。
• 通过在生成器输出上应用反向缩放，模型成功捕捉了所有成分的 ∑prel_T,i = 1 约束，该约束对生成模型而言极具挑战性。
• 代码与训练权重已公开发布于 GitHub，支持可复现性，并为粒子物理社区的进一步基准测试提供支持。