[论文解读] Progress in End-to-End Optimization of Detectors for Fundamental Physics with Differentiable Programming

Max Aehle, Lorenzo Arsini+28 more|arXiv (Cornell University)|Sep 30, 2023

Particle Detector Development and PerformancePhysics and Astronomy被引用 3

一句话总结

本文提出了一种基于可微编程的端到端可微优化框架，用于基础物理中的探测器优化，将数据生成、重建和推理整合为单一可微流水线。该方法在粒子物理、天体物理、医学成像和加速器应用的仪器优化方面取得了显著进展，通过复杂探测器几何结构和读出系统基于梯度的优化，实现了更高的灵敏度和鲁棒性。

ABSTRACT

In this article we examine recent developments in the research area concerning the creation of end-to-end models for the complete optimization of measuring instruments. The models we consider rely on differentiable programming methods and on the specification of a software pipeline including all factors impacting performance -- from the data-generating processes to their reconstruction and the extraction of inference on the parameters of interest of a measuring instrument -- along with the careful specification of a utility function well aligned with the end goals of the experiment. Building on previous studies originated within the MODE Collaboration, we focus specifically on applications involving instruments for particle physics experimentation, as well as industrial and medical applications that share the detection of radiation as their data-generating mechanism.

研究动机与目标

• 开发一种统一框架，利用可微编程对基础物理中的辐射探测仪器实现端到端优化。
• 通过使整个流水线可微，解决从粒子相互作用到数据重建的复杂多阶段探测器系统优化挑战。
• 实现对探测器几何结构、材料组成和读出策略的基于梯度的优化，以最大化实验灵敏度和鲁棒性。
• 将可微优化扩展至粒子物理、医学成像、天体物理和脉冲神经网络计算等多种领域。
• 量化重建流水线中的不确定性，并将其整合到优化过程中，以实现更可靠的仪器设计。

提出的方法

• 将整个探测器流水线（包括粒子输运、能量沉积、读出电子学和重建）形式化为可微计算图。
• 利用算法微分（AD）计算通过复杂模拟代码（如Geant4和GATE）的梯度，实现基于梯度的优化。
• 使用多面体编译器和代码转换技术，优化流水线中计算密集型组件的导数计算。
• 将图神经网络（GNNs）和脉冲神经网络（SNNs）等机器学习模型集成到可微流水线中，以实现对物理过程的快速、可微模拟。
• 定义与实验目标一致的效用函数（例如信号背景比、对新物理的敏感度），以指导优化。
• 将可微优化应用于真实应用场景，包括LHC量能器、μ子层析成像、质子CT和水切伦科夫探测器。

实验结果

研究问题

• RQ1 可微编程能否有效应用于基础物理中复杂辐射探测器的端到端优化？
• RQ2 如何将算法微分扩展至Geant4和GATE等遗留模拟框架，以实现对粒子输运和能量沉积过程的梯度计算？
• RQ3 可微优化在高能物理和天体物理解析实验中，能在多大程度上提升探测器的灵敏度和鲁棒性？
• RQ4 如何将重建流水线中的不确定性量化整合到可微优化中，以实现更可靠的探测器设计？
• RQ5 可微的脉冲神经网络模型和基于机器学习的重建算法能否与物理探测器几何结构协同优化？

主要发现

• 可微编程通过使从粒子相互作用到推理的完整流水线可微，实现了探测器系统的端到端优化，并适用于基于梯度的优化。
• 已成功原型化将算法微分与Geant4和GATE模拟集成，实现了对复杂粒子输运和能量沉积过程的梯度计算。
• 在LHCb量能器升级中，可微优化通过优化几何结构和材料组成，显著提升了信号背景性能。
• 在质子CT中，通过非侵入式投影方法实现了重建流水线的不确定性量化，实现了在输入扰动下的期望值和方差的稳健估计。
• 脉冲神经网络成功集成到可微流水线中，用于CMS像素层的低动量轨迹去除，展示了其在低功耗在线触发中的潜力。
• 通过可微建模对SWGO阵列布局实现了端到端优化，提升了广延空气簇射探测中伽马/强子区分能力和单站性能。