[论文解读] Graph Generative Models for Fast Detector Simulations in High Energy Physics

A. Hariri, Darya Dyachkova+1 more|arXiv (Cornell University)|Apr 5, 2021

Particle physics theoretical and experimental studies参考文献 54被引用 11

一句话总结

本文提出了一种图变分自编码器（GVAE），用于在高能物理中实现快速、高保真的粒子探测器响应模拟。通过将探测器击中事件建模为图结构，并利用空间卷积和mincut池化，GVAE学习紧凑的潜在表征以生成逼真的量能器沉积和轨迹，实现多GPU训练的高效扩展，在四张GPU上达到2.73倍的加速，同时保持物理精度。

ABSTRACT

Accurate and fast simulation of particle physics processes is crucial for the high-energy physics community. Simulating particle interactions with detectors is both time consuming and computationally expensive. With the proton-proton collision energy of 13 TeV, the Large Hadron Collider is uniquely positioned to detect and measure the rare phenomena that can shape our knowledge of new interactions. The High-Luminosity Large Hadron Collider (HL-LHC) upgrade will put a significant strain on the computing infrastructure due to increased event rate and levels of pile-up. Simulation of high-energy physics collisions needs to be significantly faster without sacrificing the physics accuracy. Machine learning approaches can offer faster solutions, while maintaining a high level of fidelity. We discuss a graph generative model that provides effective reconstruction of LHC events, paving the way for full detector level fast simulation for HL-LHC.

研究动机与目标

• 应对HL-LHC因堆叠效应和事件率增加而带来的全探测器模拟计算负担日益增长的问题。
• 开发一种快速模拟方法，相比传统参数化或简化模型，保持更高的物理保真度。
• 通过基于图的深度生成建模，学习量能器沉积和轨迹的真实表征，实现在全探测器级别的模拟。
• 在多GPU系统上实现可扩展的训练性能，以支持未来大规模高能物理模拟。
• 提供一种能够捕捉复杂探测器响应模式的生成模型，同时在推理过程中保持计算高效。

提出的方法

• 将粒子对撞事件表示为图结构，其中探测器击中为节点，空间邻近性定义边。
• 应用图卷积层，将探测器击中之间的局部相互作用编码到潜在空间中。
• 使用mincut池化对图进行分层压缩，保留潜在表征中的显著特征。
• 通过重参数化技巧训练变分自编码器，以实现可微采样和端到端优化。
• 通过解码器将潜在向量解压缩，从学习到的分布中生成全探测器级别的事件。
• 通过Horovod实现跨多张GPU的混合精度训练（FP16）和数据并行化优化训练。

实验结果

研究问题

• RQ1 基于图的变分自编码器能否有效学习并生成高能物理事件的逼真探测器响应？
• RQ2 与全模拟或类似Delphes的参数化模型相比，GVAE在物理保真度方面表现如何？
• RQ3 GVAE训练管道在多GPU上的可扩展性如何，能否实现近似线性加速？
• RQ4 所学习的潜在空间在多大程度上能捕捉复杂的探测器响应模式，如簇簇形状和堆叠效应？
• RQ5 该模型能否在保持低延迟推理的前提下，泛化到未见过的事件拓扑结构，适用于快速模拟？

主要发现

• 当从2张GPU扩展到4张GPU时，GVAE模型的训练时间实现了2.73倍的加速，表明其具有强大的多GPU可扩展性。
• 通过在GPU处理前优化CPU计算和数据加载，模型将训练时间减少了50%。
• 使用NVIDIA的AMP库进行混合精度训练，可在不损失模型精度的前提下实现更快的计算和更低的内存占用。
• GVAE成功学习到对探测器级别事件（包括量能器沉积和轨迹）的高保真重建。
• 图卷积和mincut池化的结合有效建模了探测器击中之间的空间和关系结构。
• 该框架通过单次前向传播实现高效推理，适用于高能物理工作流中的快速模拟。