[论文解读] Validation of Deep Convolutional Generative Adversarial Networks for High Energy Physics Calorimeter Simulations

Florian Rehm, S. Vallecorsa+2 more|arXiv (Cornell University)|Jan 1, 2021

Model Reduction and Neural Networks参考文献 19被引用 3

一句话总结

本文提出一种新颖的二维卷积神经网络（Conv2D）架构，用于加速高能物理中电磁量能器的模拟，其在物理精度和推理速度方面均优于先前的三维卷积生成对抗网络（Conv3D）模型。该Conv2D方法在保持与蒙特卡洛模拟在关键物理指标（如能量分辨率和簇簇形状）上高度一致的同时，显著降低了计算成本。

ABSTRACT

In particle physics the simulation of particle transport through detectors requires an enormous amount of computational resources, utilizing more than 50% of the resources of the CERN Worldwide Large Hadron Collider Grid. This challenge has motivated the investigation of different, faster approaches for replacing the standard Monte Carlo simulations. Deep Learning Generative Adversarial Networks are among the most promising alternatives. Previous studies showed that they achieve the necessary level of accuracy while decreasing the simulation time by orders of magnitudes. In this paper we present a newly developed neural network architecture which reproduces a three-dimensional problem employing 2D convolutional layers and we compare its performance with an earlier architecture consisting of 3D convolutional layers. The performance evaluation relies on direct comparison to Monte Carlo simulations, in terms of different physics quantities usually employed to quantify the detector response. We prove that our new neural network architecture reaches a higher level of accuracy with respect to the 3D convolutional GAN while reducing the necessary computational resources. Calorimeters are among the most expensive detectors in terms of simulation time. Therefore we focus our study on an electromagnetic calorimeter prototype with a regular highly granular geometry, as an example of future calorimeters.

研究动机与目标

• 为解决高能物理中蒙特卡洛模拟的高计算成本，特别是针对量能器的模拟问题。
• 利用深度生成模型开发一种比标准Geant4模拟更快、更精确的替代方案。
• 将一种新型二维卷积生成对抗网络（Conv2D）架构与现有的三维卷积生成对抗网络（Conv3D）模型进行对比，用于量能器簇簇模拟。
• 通过与蒙特卡洛模拟对比，利用物理相关的指标验证新模型的性能。
• 评估基于生成对抗网络的模拟在模拟速度、精度与样本多样性之间的权衡。

提出的方法

• 训练一个二维卷积神经网络（Conv2D）生成器，通过堆叠表示单个探测器层的二维特征图，生成三维量能器簇簇图像。
• 在对抗性框架中训练生成器，配合判别器网络，以区分真实蒙特卡洛图像与生成图像。
• 该模型采用潜在向量输入，并应用转置卷积将特征图上采样为完整的三维簇簇图像。
• 训练基于来自高颗粒度电磁量能器原型的大规模电子簇簇模拟数据集。
• 通过能量分辨率、簇簇形状、取样分数以及基于SSIM的图像相似度等物理指标评估性能。
• 将Conv2D模型与先前发表的、在相同数据集和探测器几何结构上训练的Conv3D生成对抗网络模型进行直接对比。

实验结果

研究问题

• RQ1 二维卷积生成对抗网络架构是否能在量能器模拟中实现比三维卷积生成对抗网络更高的物理精度？
• RQ2 所提出的Conv2D模型是否在保持与蒙特卡洛模拟一致性的前提下，显著降低计算成本？
• RQ3 Conv2D与Conv3D生成对抗网络模型在生成图像的多样性方面有何差异，其对模拟有效性的潜在影响如何？
• RQ4 生成的簇簇图像在统计特性（如单元能量沉积的均值与标准差）方面，与真实蒙特卡洛数据的匹配程度如何？
• RQ5 该生成对抗网络模型能否以足够精度再现粒子簇簇的空间与能量分布，以满足后续物理分析的需求？

主要发现

• Conv2D生成对抗网络实现的单元平均能量比为1.00（与蒙特卡洛相比），优于Conv3D模型的0.93。
• 与蒙特卡洛相比，Conv2D模型将单个单元能量沉积的标准差降低至0.90，而Conv3D模型为0.86。
• 尽管参数量更多，Conv2D模型在推理时间上相比Geant4实现了40倍的加速，同时保持了比Conv3D生成对抗网络更高的物理精度。
• Conv2D模型在训练和推理时间上均快于Conv3D模型，尽管其参数量更大。
• SSIM分析表明，Conv2D生成的图像彼此之间的相似度低于Conv3D生成的图像，表明其样本多样性更优。
• 蒙特卡洛数据与生成对抗网络生成图像之间的SSIM显示，两种模型生成的图像与蒙特卡洛数据本身的相似度水平相当。