[论文解读] Foundations of a Fast, Data-Driven, Machine-Learned Simulator

J. Howard, Stephan Mandt+2 more|arXiv (Cornell University)|Jan 22, 2021

Particle physics theoretical and experimental studies参考文献 33被引用 16

一句话总结

本文提出 OTUS，一种快速、数据驱动的模拟器，通过无监督概率自编码器从观测数据中学习探测器响应变换。该方法通过学习一个具有物理意义的潜在空间，替代昂贵的蒙特卡洛模拟，实现了高保真度的实时粒子物理事件模拟——例如Z玻色子和顶夸克衰变，无需依赖先前的模拟数据。

ABSTRACT

We introduce a novel strategy for machine-learning-based fast simulators, which is the first that can be trained in an unsupervised manner using observed data samples to learn a predictive model of detector response and other difficult-to-model transformations. Across the physical sciences, a barrier to interpreting observed data is the lack of knowledge of a detector's imperfect resolution, which transforms and obscures the unobserved latent data. Modeling this detector response is an essential step for statistical inference, but closed-form models are often unavailable or intractable, requiring the use of computationally expensive, ad-hoc numerical simulations. Using particle physics detectors as an illustrative example, we describe a novel strategy for a fast, predictive simulator called Optimal Transport based Unfolding and Simulation (OTUS), which uses a probabilistic autoencoder to learn this transformation directly from observed data, rather than from existing simulations. Unusually, the probabilistic autoencoder's latent space is physically meaningful, such that the decoder becomes a fast, predictive simulator for a new latent sample, and has the potential to replace Monte Carlo simulators. We provide proof-of-principle results for $Z$-boson and top-quark decays, but stress that our approach can be widely applied to other physical science fields.

研究动机与目标

• 为解决在物理科学中建模不完善的探测器响应这一挑战，此类响应会掩盖潜在的物理数据，阻碍统计推断。
• 开发一种快速、可预测的模拟器，避免依赖昂贵的临时数值模拟或预先存在的蒙特卡洛模拟。
• 直接从观测数据样本中无监督地学习探测器响应变换。
• 在概率自编码器中构建一个具有物理可解释性的潜在空间，使得解码器可作为新潜在样本的快速、可预测模拟器。
• 证明在粒子物理学中，传统蒙特卡洛模拟器可被数据驱动的机器学习替代方案所取代的可行性。

提出的方法

• 该方法使用在观测数据样本上训练的概率自编码器，学习从潜在物理状态到观测探测器响应的变换。
• 自编码器的潜在空间被设计为具有物理意义，使解码器能够从新的潜在输入生成逼真的探测器级输出。
• 训练过程完全无监督，仅依赖观测数据样本，无需真实潜在状态或先前模拟数据。
• 该方法利用最优传输理论，确保学习到的变换保留概率结构，并实现对潜在数据的精确还原。
• 训练好的解码器可作为快速、可微分的模拟器，为新的潜在配置生成合成探测器级数据。
• 该方法具有可扩展性，可推广至粒子物理学以外的其他领域，尤其适用于探测器响应建模具有挑战性的场景。

实验结果

研究问题

• RQ1 能否直接从观测数据中训练机器学习模拟器，而无需依赖预先存在的模拟或标注的潜在状态？
• RQ2 概率自编码器能否学习到一个具有物理意义的潜在空间，从而实现探测器响应的高精度、快速模拟？
• RQ3 此类数据驱动模拟器在精度和速度方面，能在多大程度上替代传统的蒙特卡洛模拟？
• RQ4 所学习的模拟器从观测探测器数据中重建潜在物理状态的能力如何？
• RQ5 该模拟器在Z玻色子和顶夸克衰变等复杂粒子衰变过程中的表现如何？

主要发现

• OTUS 框架仅从观测数据中成功学习了探测器响应变换，无需依赖先前模拟或标注的潜在数据。
• 自编码器的潜在空间具有物理可解释性，使解码器能够从新的潜在样本生成逼真的探测器级事件。
• 该方法实现了对Z玻色子和顶夸克衰变的高保真度模拟，展示了替代蒙特卡洛模拟器的潜力。
• 训练后的模拟器比传统蒙特卡洛方法快几个数量级，同时保持了预测精度。
• 该方法能够准确地从观测数据中还原潜在物理状态，这对粒子物理学中的统计推断至关重要。
• 该框架具有可扩展性，可应用于其他具有类似探测器响应挑战的物理科学领域。