[论文解读] New directions for surrogate models and differentiable programming for High Energy Physics detector simulation

Andreas Adelmann, W. H. Hopkins+9 more|arXiv (Cornell University)|Mar 15, 2022

Simulation Techniques and Applications被引用 23

一句话总结

本论文综述用于加速高能物理探测器仿真的方法，涵盖替代模型和可微分编程方法，包括 CaloFlow 和可微分流水线，并讨论挑战与未来方向。

ABSTRACT

The computational cost for high energy physics detector simulation in future experimental facilities is going to exceed the current available resources. To overcome this challenge, new ideas on surrogate models using machine learning methods are being explored to replace computationally expensive components. Additionally, differentiable programming has been proposed as a complementary approach, providing controllable and scalable simulation routines. In this document, new and ongoing efforts for surrogate models and differential programming applied to detector simulation are discussed in the context of the 2021 Particle Physics Community Planning Exercise (`Snowmass').

研究动机与目标

• 由于未来高能物理实验的计算需求日益增加，激发对更快的探测器仿真的需求。
• 回顾替代模型方法（GANs、VAEs、正则化流）及改进策略，以替代或增强基于 Geant4 的仿真。
• 引入可微分编程，作为在仿真与推断工作流中嵌入梯度和物理知识的框架。
• 展示在量热器仿真中的正在进行的项目与用例，展示保真度与速度之间的权衡。
• 讨论未来方向、协作框架以及框架集成，以在不同实验中扩展替代方法。

提出的方法

• 将替代模型策略分为完全生成模型与精炼技术。
• 详细介绍三大生成族：GANs、VAEs 与正则化流，讨论训练目标与权衡。
• 将可微分编程解释为启用自动微分的仿真设计，并与机器学习替代模型集成。
• 描述通过机器学习修正和密度比重加权来加速 Geant4 量热器仿真的方法。
• 提出 CaloFlow（正则化流）作为一个两步的基于似然的量热器喷发模型，并与 CaloGAN 进行比较。
• 讨论将替代模型集成到更广泛、与图结构或几何无关的探测器仿真中。

实验结果

研究问题

• RQ1 替代模型如何在保持高能物理分析保真度的前提下加速探测器仿真？
• RQ2 GANs、VAEs 与正则化流在量热器喷发生成方面的相对优势与局限性？
• RQ3 可微分编程如何实现物理信息化的优化与推断在探测器仿真中的应用？
• RQ4 将替代模型集成到大规模协作和现有 Geant4 工作流中的实际途径有哪些？

主要发现

• 正则化流（CaloFlow）能够实现高保真度的量热器喷发，在大规模生成中可能比某些基于 GAN 的方法更快。
• CaloFlow v2 相较 v1 显示出更高的保真度，在若干指标上接近 Geant4 风格分布，且保持与 GANs 相当的生成速度。
• 重加权/条件化策略与逐像素回归可将速度优化的仿真校正到名义的 Geant4 结果，但在统计功效上有权衡。
• 替代模型在现实、极高粒度的量热器（数百万通道）和不规则几何形状方面面临挑战，促使采用基于图的或非网格的架构。
• 两步 NF 方法可以建模分层能量分布和体素级喷发形状，支持量热器的可扩展生成。
• 可微分编程使基于梯度的探测器组件优化成为可能，并支持将物理信息的机器学习整合到仿真流程中。