[论文解读] PIPPIN: Generating variable length full events from partons

G. Quétant, J. A. Raine+3 more|arXiv (Cornell University)|Jun 18, 2024

Particle physics theoretical and experimental studies被引用 4

一句话总结

PIPPIN 引入了一种新颖的机器学习框架，直接使用变换器、基于分数的模型和归一化流，从部分子级输入生成可变长度的探测器级事件点云。该框架在大型强子对撞机（LHC）上模拟 top 夸克对事件方面达到了最先进性能，无需自回归生成或固定输出长度，即可准确捕捉粒子多重性、运动学特性以及拓扑相关性。

ABSTRACT

This paper presents a novel approach for directly generating full events at detector-level from parton-level information, leveraging cutting-edge machine learning techniques. To address the challenge of multiplicity variations between parton and reconstructed object spaces, we employ transformers, score-based models and normalizing flows. Our method tackles the inherent complexities of the stochastic transition between these two spaces and achieves remarkably accurate results. The combination of innovative techniques and the achieved accuracy demonstrates the potential of our approach in advancing the field and opens avenues for further exploration. This research contributes to the ongoing efforts in high-energy physics and generative modelling, providing a promising direction for enhanced precision in fast detector simulation.

研究动机与目标

• 开发一种快速、准确且端到端的生成模型，用于高能物理事件模拟，绕过传统的分步模拟流程。
• 解决探测器级模拟中部分子空间与重建对象空间之间粒子多重性可变的挑战。
• 在保留复杂运动学相关性和拓扑结构的前提下，实现从部分子输入到完整事件的条件生成。
• 探索利用现代深度生成架构，直接、非自回归地从部分子生成重建对象的可行性。
• 展示模型在多个衰变道上的泛化能力，以及其在模拟和反卷积任务中的潜力。

提出的方法

• 该模型采用两个变换器编码器处理输入部分子，并通过多重性预测器预测重建对象的数量。
• 基于基于分数的生成建模的 PIP-Droid 生成器，从编码后的部分子信息中条件生成可变长度的探测器级点云。
• 该架构整合了归一化流，以建模重建粒子复杂、高维的分布，同时保持对无序粒子集合的排列不变性。
• 模型通过条件扩散过程进行端到端训练，支持从同一部分子输入随机生成多个事件实例。
• 排列不变性确保了对粒子顺序的鲁棒性，且通过直接预测输出长度，避免了截断或自回归生成。
• 该框架支持对事件属性的条件控制，例如固定喷射流或轻子数量，从而实现目标模拟和相空间筛选。

Figure 1: Diagram of the global architecture and the training processes of the PIPPIN model. It is made of two Transformer Encoders, which encode the partons, a Multiplicity Predictor, which predicts the number of reconstructed objects, and a PIP-Droid Generator, which conditionally generate these r

实验结果

研究问题

• RQ1 单一深度生成模型是否能无需分步模拟，准确模拟从部分子级输入到完整探测器级事件？
• RQ2 具有可变长度输出生成能力的模型，在多通道衰变过程中，能否有效保留复杂的运动学相关性和拓扑结构？
• RQ3 在未进行通道特定微调的情况下，单一在包容性 top 夸克对事件上训练的模型，能在多大程度上泛化到特定衰变道？
• RQ4 与现有快速模拟器和完整蒙特卡洛模拟相比，该方法在准确性和效率方面的表现如何？
• RQ5 该模型能否适应反问题，即从重建对象反卷积回部分子？此类设置中的主要挑战是什么？

主要发现

• PIPPIN 在重建关键可观测量（如主喷射流能量和 t-t' 对不变质量）方面，显著优于 Turbo-Sim 和基线扩散模型，结果与原始蒙特卡洛模拟高度一致。
• 该模型在多个衰变道（包括全 hadronic、半轻子和全轻子末态）中，均能高保真地捕捉多重性与运动学分布，且无需通道特定训练。
• PIPPIN 生成的重建喷射流能量和 t-t' 系统质量的边缘分布与参考蒙特卡洛分布非常接近，偏差在统计不确定性范围内。
• 即使在受限事件子集（如含轻子的事件）上评估时，PIPPIN 仍保持强劲性能，优于专门在该子集上训练的模型，表明其具有优越的泛化能力。
• 该模型能够直接生成可变长度输出，无需截断或自回归生成，从而在多样化事件拓扑中实现高效且准确的模拟。
• 其条件生成能力支持受控模拟，例如固定喷射流或轻子数量，从而实现对相空间的定向探索。

Figure 12: The Transformer Encoder architecture details.