[论文解读] How to GAN Higher Jet Resolution

Pierre Baldi, Lukas Blecher+7 more|arXiv (Cornell University)|Dec 22, 2020

Particle physics theoretical and experimental studies被引用 8

一句话总结

本文提出一种基于生成对抗网络（GAN）的超分辨率方法，利用量子色动力学（QCD）物理原理提升大型强子对撞机（LHC）喷注图像的分辨率。该模型在低分辨率喷注图像上进行训练，学习生成保留关键物理特征的高分辨率图像，在未进行微调的情况下，对QCD喷注和顶夸克喷注均表现出优越性能，且网络复杂度与喷注类型复杂度直接相关。

ABSTRACT

QCD-jets at the LHC are described by simple physics principles. We show how super-resolution generative networks can learn the underlying structures and use them to improve the resolution of jet images. We test this approach on massless QCD-jets and on fat top-jets and find that the network reproduces their main features even without training on pure samples. In addition, we show how a slim network architecture can be constructed once we have control of the full network performance.

研究动机与目标

• 开发一种深度学习方法，通过生成建模将LHC喷注图像的分辨率提升至超越探测器极限。
• 探究超分辨率GAN是否能够通过编码QCD物理原理，从低分辨率输入中重建高分辨率喷注结构。
• 通过在一种喷注类型（如QCD）上训练的网络测试其在另一类（如顶夸克喷注）上的泛化能力，评估模型泛化性能。
• 确定实现高保真度超分辨率所需的最小网络复杂度，尤其针对不同喷注类型。
• 探索超分辨率作为一致性检查、堆叠效应抑制及实验粒子物理学中喷注测量改进工具的潜力。

提出的方法

• 采用基于残差密集块（RRDB）的生成器和基于图像块的判别器，训练超分辨率GAN将低分辨率（LR）喷注图像映射为高分辨率（HR）对应图像。
• 在模拟的QCD和顶夸克喷注图像上进行训练，利用共线和软QCD分裂的内在物理特性指导重建过程。
• 通过真实HR图像与生成SR图像之间喷注可观测量（如主像素能量）分布的1DWasserstein距离评估性能。
• 通过系统性减少RRDB块数量，推导出轻量化网络架构，并在不同喷注类型上监控性能表现。
• 探索条件超分辨率以实现量能器与追踪器数据间的一致性检查，支持潜在的堆叠效应去除和探测器校准。
• 通过将一种喷注类型上训练的网络应用于另一类喷注，测试模型泛化能力，评估其鲁棒性与可迁移性。

实验结果

研究问题

• RQ1 超分辨率GAN能否在保留关键物理特征的前提下，从低分辨率输入中重建高分辨率喷注图像？
• RQ2 尽管顶夸克喷注具有更复杂的内在物理，其网络复杂度需求与QCD喷注相比如何变化？
• RQ3 在一种喷注类型上训练的网络在另一类喷注上的泛化能力有多强，反映出模型的独立性与鲁棒性？
• RQ4 超分辨率网络能否在量能器分辨率较差的区域提升喷注测量精度，或有助于堆叠效应抑制？
• RQ5 实现不同喷注类型高保真度超分辨率所需的最小网络架构是什么？

主要发现

• 超分辨率GAN成功重建了QCD和顶夸克喷注的高分辨率图像，即使仅在一种类型上进行训练，也展现出强大的泛化能力和模型独立性。
• 在顶夸克喷注上的性能始终优于QCD喷注，且使用较少的RRDB块即可实现高保真度，尽管顶夸克喷注具有更复杂的物理结构。
• 随着网络深度增加，真实与生成喷注可观测量之间的Wasserstein距离减小，QCD喷注性能显著提升；而顶夸克喷注即使在极简架构下性能也已很高。
• 所需网络复杂度并非由喷注本身内在复杂度决定，而是由分辨率退化程度决定，QCD喷注因结构更宽、更不局域化，需要更多参数。
• 该方法在不同喷注类型间实现了稳定的超分辨率，支持混合样本训练，减少了喷注种类分离带来的复杂性。
• 该方法在探测器一致性检查和堆叠效应抑制方面展现出潜力，可通过对齐低分辨率量能器数据与高分辨率追踪信息实现。