[论文解读] EPiC-GAN: Equivariant Point Cloud Generation for Particle Jets

Erik Buhmann, G. Kasieczka+1 more|arXiv (Cornell University)|Jan 17, 2023

Particle physics theoretical and experimental studies参考文献 47被引用 4

一句话总结

EPiC-GAN 是一种用于粒子喷射模拟的新型生成对抗网络，采用等变点云层生成具有线性计算复杂度的可变多重性点云。其性能与最先进的图神经网络模型（如 MP-GAN）相当，但推理速度显著更快，且在高粒子多重性下具有更优的可扩展性，同时通过全局潜在向量实现了物理可观测量的可解释性解耦。

ABSTRACT

With the vast data-collecting capabilities of current and future high-energy collider experiments, there is an increasing demand for computationally efficient simulations. Generative machine learning models enable fast event generation, yet so far these approaches are largely constrained to fixed data structures and rigid detector geometries. In this paper, we introduce EPiC-GAN - equivariant point cloud generative adversarial network - which can produce point clouds of variable multiplicity. This flexible framework is based on deep sets and is well suited for simulating sprays of particles called jets. The generator and discriminator utilize multiple EPiC layers with an interpretable global latent vector. Crucially, the EPiC layers do not rely on pairwise information sharing between particles, which leads to a significant speed-up over graph- and transformer-based approaches with more complex relation diagrams. We demonstrate that EPiC-GAN scales well to large particle multiplicities and achieves high generation fidelity on benchmark jet generation tasks.

研究动机与目标

• 解决现有基于图结构和 Transformer 的粒子喷射生成模型在计算上的瓶颈问题，这些模型的计算复杂度随粒子多重性呈二次方增长。
• 开发一种支持可变粒子多重性和排列等变处理的生成模型，适用于高能物理中异质探测器几何结构。
• 在显著降低推理时间的同时，实现与当前最先进模型（如 MP-GAN）相当的生成保真度。
• 通过模型架构中的全局潜在向量，实现对物理可观测量的可解释性解耦。
• 为高能物理中的点云生成提供一种可扩展、高效的替代方案，以替代复杂的消息传递架构。

提出的方法

• EPiC-GAN 采用基于深度集合原理的多个等变点云（EPiC）层构建生成器和判别器网络的 GAN 框架。
• 每个 EPiC 层处理点特征和共享的全局潜在向量，实现无需点对点消息传递的排列等变变换。
• 模型使用一个通过残差连接和非线性变换更新的全局潜在向量，使其能够编码全局物理信息。
• 生成器从随机噪声向量生成点云，而判别器则结合点级特征与全局特征评估生成结果的真实性。
• 该架构避免使用基于边或注意力的机制，转而依赖全局上下文来调节点与点之间的相互作用，从而实现线性复杂度增长。
• 训练采用标准 GAN 损失并结合梯度惩罚，模型在 JetNet 基准数据集上进行评估，用于喷射生成任务。

实验结果

研究问题

• RQ1 基于集合的生成模型是否能在保持与图神经网络模型（如 MP-GAN）相当保真度的同时，实现粒子多重性上的线性扩展？
• RQ2 EPiC 层中使用全局潜在向量是否能实现生成点云中物理可观测量的有意义解耦？
• RQ3 EPiC-GAN 在生成高多重性喷射方面表现如何，特别是在与二次方扩展模型对比时？
• RQ4 EPiC-GAN 的全局潜在空间是否能与已知物理量（如喷射质量或分支结构）建立相关性？
• RQ5 仅依赖全局注意力机制的通信方式是否足以实现高保真度的喷射生成，还是需要更复杂的关联建模？

主要发现

• 在 JetNet30 基准测试中，EPiC-GAN 的生成保真度与当前最先进模型 MP-GAN 相当，FID 等指标表现优异。
• EPiC-GAN 的生成时间随粒子多重性呈线性增长，而 MP-GAN 的时间呈二次方增长，因此在大喷射中实现了显著的速度提升。
• 在 JetNet150 数据集上，EPiC-GAN 成功生成了高多重性喷射，训练稳定且保真度高，展现出超越 MP-GAN 限制的可扩展性。
• EPiC 层中的全局潜在向量与喷射质量、分支数和角度分离等物理可观测量表现出强烈相关性，表明实现了可解释的解耦。
• 即使在极高粒子多重性下，模型仍保持高性能，样本质量与训练稳定性均无下降。
• 由于省去了点对点消息传递，EPiC-GAN 实现了更快的推理速度和更低的内存占用，使其适用于高能物理中的大规模模拟任务。