[论文解读] JetFlow: Generating Jets with Conditioned and Mass Constrained Normalising Flows

Benno Käch, D. Krücker+4 more|arXiv (Cornell University)|Jan 1, 2022

Generative Adversarial Networks and Image Synthesis被引用 18

一句话总结

该论文提出JetFlow，一种基于喷射子质量与粒子数量条件的归一化流模型，用于生成具有复杂相关性的高维喷射子数据。通过使用有理二次样条耦合层，该模型在JetNet数据集上实现了最先进性能，通过条件化不变质量并约束流，实现了喷射子质量分布的精确建模以及稳定快速的训练。

ABSTRACT

Fast data generation based on Machine Learning has become a major research topic in particle physics. This is mainly because the Monte Carlo simulation approach is computationally challenging for future colliders, which will have a significantly higher luminosity. The generation of collider data is similar to point cloud generation with complex correlations between the points. In this study, the generation of jets with up to 30 constituents with Normalising Flows using Rational Quadratic Spline coupling layers is investigated. Without conditioning on the jet mass, our Normalising Flows are unable to model all correlations in data correctly, which is evident when comparing the invariant jet mass distributions between ground truth and generated data. Using the invariant mass as a condition for the coupling transformation enhances the performance on all tracked metrics. In addition, we demonstrate how to sample the original mass distribution by interpolating the empirical cumulative distribution function. Similarly, the variable number of constituents is taken care of by introducing an additional condition on the number of constituents in the jet. Furthermore, we study the usefulness of including an additional mass constraint in the loss term. On the exttt{JetNet} dataset, our model shows state-of-the-art performance combined with fast and stable training.

研究动机与目标

• 通过机器学习生成快速、逼真的喷射子数据，以减轻未来高亮度对撞机中蒙特卡洛模拟的计算负担。
• 克服标准归一化流在建模喷射子组分之间复杂相关性方面的局限性。
• 通过在全局特征（如不变质量与粒子数量）上条件化流，改进喷射子生成。
• 通过引入质量约束与经验累积分布函数插值，确保生成的喷射子质量分布与真实数据一致。
• 在JetNet数据集上实现稳定、快速的训练与高保真度生成，并达到最先进性能。

提出的方法

• 使用具有有理二次样条耦合层的归一化流来建模高维喷射子数据（最高达90维：30个粒子 × 3个特征）。
• 通过在不变喷射子质量与粒子数量上条件化流，以改善对全局相关性的建模。
• 在生成过程中使用经验累积分布函数（ECDF）插值从真实喷射子质量分布中采样。
• 在损失函数中施加质量约束，以进一步使生成的质量分布与真实分布对齐。
• 通过使用具有三角形雅可比行列式结构的多个耦合层，确保可逆性与高效的行列式计算。
• 通过最小化负对数似然实现最大似然训练，确保稳定收敛。

实验结果

研究问题

• RQ1 在喷射子质量与粒子数量上条件化的归一化流，是否比标准流更有效地建模喷射子组分之间的复杂相关性？
• RQ2 在不变质量上条件化如何提升生成喷射子质量分布的保真度，相较于无条件流？
• RQ3 当在固定大小子集上进行训练时，该模型在可变组分数（如27–30个粒子）的喷射子上泛化程度如何？
• RQ4 在损失函数中加入质量约束是否能进一步提升生成与真实喷射子质量分布之间的匹配度？
• RQ5 当生成事件数远超训练集规模时（即过采样），该模型的泛化能力如何？

主要发现

• 原始归一化流（VNF）无法正确建模相关性，表现为生成数据与真实数据在不变质量分布上存在显著差异。
• 在喷射子质量上条件化流（CNF(m)）显著提升了性能，使生成的质量分布与真实分布高度一致。
• 完全条件化并施加约束的模型（CCNF(m,n)）在JetNet数据集的全部6项评估指标上均达到最先进性能。
• 该模型成功生成了粒子数量可变的喷射子（低至27个粒子），仅存在微小偏差，可能源于低部分子区域训练数据稀疏。
• 将采样倍数提高100倍并未引入严重伪影，表明模型具有强鲁棒性与超越训练数据规模的泛化能力。
• 相关性热力图显示生成数据与真实数据之间无显著差异，证实模型保留了复杂的特征相关性。