[论文解读] ELSA -- Enhanced latent spaces for improved collider simulations

Benjamin Nachman, Ramon Winterhalder|arXiv (Cornell University)|May 12, 2023

Particle physics theoretical and experimental studies被引用 5

一句话总结

本文提出了 ELSA，一种通过优化潜在空间并增强归一化流来提升对撞机模拟精度的机器学习框架。该方法在各种动量区域的相空间采样中实现了亚百分之一水平的精度，显著提升了模拟保真度，且计算开销极低。

ABSTRACT

Simulations play a key role for inference in collider physics. We explore various approaches for enhancing the precision of simulations using machine learning, including interventions at the end of the simulation chain (reweighting), at the beginning of the simulation chain (pre-processing), and connections between the end and beginning (latent space refinement). To clearly illustrate our approaches, we use W+jets matrix element surrogate simulations based on normalizing flows as a prototypical example. First, weights in the data space are derived using machine learning classifiers. Then, we pull back the data-space weights to the latent space to produce unweighted examples and employ the Latent Space Refinement (LASER) protocol using Hamiltonian Monte Carlo. An alternative approach is an augmented normalizing flow, which allows for different dimensions in the latent and target spaces. These methods are studied for various pre-processing strategies, including a new and general method for massive particles at hadron colliders that is a tweak on the widely-used RAMBO-on-diet mapping. We find that modified simulations can achieve sub-percent precision across a wide range of phase space.

研究动机与目标

• 解决深度生成模型在对撞机模拟中面临的拓扑障碍与精度损失问题。
• 在不增加计算成本的前提下提升高能物理模拟的精度。
• 开发可泛化、计算高效的潜在空间优化与归一化流增强方法。
• 实现复杂过程（如 W+jets）在动量截断与共振结构下的高精度事件生成。
• 提供一种适用于对撞机物理中各类代理模型与模拟流程的通用框架。

提出的方法

• 采用潜在空间优化（Laser）协议，利用哈密顿蒙特卡洛将数据空间权重反向传播至潜在空间，生成无权重、优化后的样本。
• 使用机器学习分类器推导数据空间权重，以校正代理模型与参考模拟之间的偏差。
• 实施具有高于目标特征空间维度的潜在空间的增强型归一化流，以克服拓扑约束。
• 提出一种针对强子对撞机中重粒子的新预处理方法，基于改进的 RamboOnDiet 映射。
• 结合潜在空间优化与增强型流，提升在具有锐相空间边界或共振结构区域的采样质量。
• 以归一化流作为典型示例，在 W+jets 矩元代理模拟上训练并验证模型。

实验结果

研究问题

• RQ1 通过哈密顿蒙特卡洛实现的潜在空间优化能否显著提升深度生成模型在对撞机模拟中的精度？
• RQ2 具有更高维潜在空间的增强型归一化流在多共振与边界区域能否有效缓解相空间采样中的拓扑障碍？
• RQ3 所提出的重粒子预处理方法在复杂相空间区域中提升模拟精度的效率如何？
• RQ4 数据空间重加权与潜在空间优化的结合能否在事件生成中实现亚百分之一水平的精度？
• RQ5 这些方法在高能物理其他代理模型与模拟链中的泛化能力如何？

主要发现

• Laser 协议成功将数据空间权重传播至潜在空间，实现了无权重、高精度的样本，显著提升了统计质量。
• 具有更高维潜在空间的增强型归一化流有效缓解了标准归一化流在多共振与边界区域受拓扑限制的问题。
• 针对重粒子改进的 RamboOnDiet 预处理方法显著提升了相空间采样精度，尤其在动力学阈值附近。
• 潜在空间优化与增强型流的联合使用在 W+jets 模拟的广泛相空间区域内实现了亚百分之一水平的精度。
• 该框架计算高效且具备良好泛化能力，可适用于对撞机物理中的各类代理模型与模拟流程。
• 该方法实现了高精度模拟，且计算开销极低，适用于 HL-LHC 数据分析。