[论文解读] Generative Networks for Precision Enthusiasts

Anja Butter, Theo Heimel+5 more|arXiv (Cornell University)|Oct 22, 2021

Computational Physics and Python Applications被引用 30

一句话总结

本文开发了一种基于精度 INN 的 LHC 事件生成器 DiscFlow，实现对运动学分布的百分比级别精度，并引入带判别器的训练策略以及贝叶斯/条件不确定性控制。

ABSTRACT

Generative networks are opening new avenues in fast event generation for the LHC. We show how generative flow networks can reach percent-level precision for kinematic distributions, how they can be trained jointly with a discriminator, and how this discriminator improves the generation. Our joint training relies on a novel coupling of the two networks which does not require a Nash equilibrium. We then estimate the generation uncertainties through a Bayesian network setup and through conditional data augmentation, while the discriminator ensures that there are no systematic inconsistencies compared to the training data.

研究动机与目标

• 在变量最终态粒子数的 Z+jets 事件中，证明学习到的相空间密度具有百分比级别的精度。
• 展示如何将 INN 生成器与判别器联合训练，以提高与训练数据的一致性。
• 引入通过贝叶斯 INN 和条件增强实现的不确定性估计机制，用以量化并控制残余不确定性。
• 开发 DiscFlow 架构，以实现受控加权和联合训练，而不依赖于对抗训练中的 Nash 均衡。

提出的方法

• 使用基于正则化流的可逆神经网络（cINN）将潜在空间映射到相空间可观测量，适用于 pp -> Z(mu mu)+jets，1–3 个喷注。
• 通过将基网络对喷注乘数进行条件化并添加与乘数相关的子网络，处理可变最终态维数。
• 应用三次样条耦合块以高效学习复杂的相空间模式，并对运动学可观测量进行条件化。
• 引入判别器（DiscFlow）以对生成器进行重新加权或联合训练，提升 Delta R、Z 质量等分布到百分比级精度。
• 实现贝叶斯 INN（BINN），通过对网络权重分布取样来提取相空间的不确定性映射。
• 利用条件增强和基于判别器的重新加权来控制理论/系统不确定性。

Figure 2: Jet-jet correlations for events with two jets. We show truth (left) and INN-generated events (right).

实验结果

研究问题

• RQ1 一个正则化流 INN 生成器是否能够以百分比级精度再现类似 LHC 的 Z+jets 相空间分布？
• RQ2 基于判别器的重新加权和联合 DiscFlow 训练是否提升超出标准 INN 的挑战性运动学特征？
• RQ3 如何利用贝叶斯和条件增强技术对生成事件的不确定性进行量化和控制？
• RQ4 在对抗训练中不需要 Nash 均衡的情况下，生成事件能否与训练数据保持一致？

主要发现

• 基于 INN 的生成器在大部分相空间区域和训练统计期望内，以百分比级精度再现 Z+1、Z+2 和 Z+3 喷注分布。
• 判别器重新加权提升了困难分布（例如喷注之间的 Delta R、Z 质量）超出基线 INN，但产生带权事件。
• 联合 DiscFlow 训练可以实现无权重的高精度分布，可与重新加权结果相媲美，而不依赖 Nash 均衡。
• 贝叶斯 INN 通过将权重分布采样与事件计数结合，提供相空间不确定性映射。
• 条件增强为在生成框架内表示系统性/理论不确定性提供了一条途径。

Figure 3: Left: $\Delta R_{j_{1}j_{2}}$ -distribution for $Z+2$ jets events before and after the transformation of Eq.( 9 ). Right: histogram of the weights of the generated events.