[论文解读] Design of Detectors at the Electron Ion Collider with Artificial Intelligence

C. Fanelli|arXiv (Cornell University)|Mar 9, 2022

Particle Detector Development and Performance参考文献 34被引用 7

一句话总结

本文提出利用人工智能——特别是多目标优化技术如贝叶斯优化和多目标遗传算法——来设计电子离子对撞机（EIC）的探测器，以应对探测器设计中高维、计算密集且多准则的挑战。研究成功应用于优化ECCE追踪器系统和用于切伦科夫探测器的增强型气凝胶材料，在10维设计空间中实现了N=100、O=30的高效帕累托前沿近似。

ABSTRACT

Artificial Intelligence (AI) for design is a relatively new but active area of research across many disciplines. Surprisingly when it comes to designing detectors with AI this is an area at its infancy. The Electron Ion Collider is the ultimate machine to study the strong force. The EIC is a large-scale experiment with an integrated detector that extends for about $\pm$35 meters to include the central, far-forward, and far-backward regions. The design of the central detector is made by multiple sub-detectors, each in principle characterized by a multidimensional design space and multiple design criteria also called objectives. Simulations with Geant4 are typically compute intensive, and the optimization of the detector design may include non-differentiable terms as well as noisy objectives. In this context, AI can offer state of the art solutions to solve complex combinatorial problems in an efficient way. In particular, one of the proto-collaborations, ECCE, has explored during the detector proposal the possibility of using multi-objective optimization to design the tracking system of the EIC detector. This document provides an overview of these techniques and recent progress made during the EIC detector proposal. Future high energy nuclear physics experiments can leverage AI-based strategies to design more efficient detectors by optimizing their performance driven by physics criteria and minimizing costs for their realization.

研究动机与目标

• 研究旨在解决EIC大型多子探测器系统设计中高维设计空间与多重冲突目标的挑战。
• 旨在通过利用人工智能引导设计空间的高效探索，降低基于Geant4模拟的计算负担。
• 目标包括优化探测器子系统，如ECCE追踪器和新型气凝胶基切伦科夫辐射体，以提升性能和机械稳定性。
• 研究旨在将物理驱动的目标整合到设计优化过程中，超越纯粹的技术性能指标。
• 探索在百亿亿次计算系统上部署先进AI策略以实现全局探测器优化的可行性。

提出的方法

• 本文采用贝叶斯优化（BO）和多目标遗传算法（MOGA）对探测器设计进行无导数、全局优化。
• 采用顺序工作流：利用设计参数通过Geant4模拟物理事件，重建事件生成性能指标，AI模型建议下一步评估的设计点。
• 对于复杂材料如增强型气凝胶，该方法结合Geant4模拟与使用Gmsh、ElmerSolver和Paraview进行几何建模、网格划分和机械稳定性分析的有限元建模。
• 优化框架设计用于处理由模拟约束和材料制造限制引发的噪声大、不可微分的目标。
• 该方法支持单目标（如双RICH）和多目标（如追踪器、气凝胶）优化问题。
• 软件堆栈支持与高性能计算的自动化集成，未来计划通过eAST工具包支持异构硬件。

实验结果

研究问题

• RQ1 基于人工智能的优化如何降低具有高维设计空间的大规模探测器系统设计的计算成本？
• RQ2 多目标优化技术（如MOGA和MOBO）在近似EIC探测器子系统帕累托前沿方面的有效性如何？
• RQ3 AI策略能否在新型气凝胶材料中平衡机械稳定性和切伦科夫角分辨率等相互冲突的目标？
• RQ4 如何将物理驱动的目标编码到探测器设计优化过程中，以从一开始就提升探测器性能？
• RQ5 百亿亿次计算在将多目标优化扩展至整个全局探测器设计方面发挥什么作用？

主要发现

• 在具有三个目标的10维设计空间中，种群大小N=100和后代大小O=30已足够实现帕累托前沿的良好近似。
• 贝叶斯优化在单目标问题中成功优化了双RICH探测器，证明了人工智能在探测器设计中的可行性。
• 多目标遗传算法（MOGA）被有效用于优化ECCE追踪器系统，实现了多重性能指标的平衡。
• 在气凝胶板中引入随机取向纤维可提升机械稳定性，同时保持切伦科夫分辨率，稳定性与分辨率之间的权衡通过MOO捕捉。
• 结合Geant4、Gmsh、ElmerSolver和Paraview的软件堆栈实现了增强型气凝胶材料的端到端模拟与优化。
• 研究结论认为，基于人工智能的策略对于优化复杂、计算密集型探测器系统至关重要，并可通过未来百亿亿次计算扩展至全系统全局优化。