CaloClouds: Fast Geometry-Independent Highly-Granular Calorimeter Simulation

要約

タイトル: CaloClouds: 高速なジオメトリー非依存の高精度カロリメーターシミュレーション

要約:
– 機械学習を利用した粒子物理学への応用において、高精度かつ高速な生成モデルを実現することは、従来のシミュレーションを補完することができ、主要な計算制約を緩和するための鍵となる。
– 本研究は、初めて固定グリッド構造に頼らずに3D空間内の数千のエネルギー沈積スペースポイントのポイントクラウドを直接生成することに成功している。これは、ジェネレーティブモデリングの最近の改善を利用して拡散モデルを適用し、初期のより高精細なポイントクラウドを生成し、その後、欲しい数の最大6,000のスペースポイントにダウンサンプリングすることによって実現される。
– 本研究では、ILDの電磁カロリメーターでの光子のシャワーのシミュレーションの具体的な例を使用して、物理的に関連する分布の全体的に良好なモデリングを実証している。

要約(オリジナル)

Simulating showers of particles in highly-granular detectors is a key frontier in the application of machine learning to particle physics. Achieving high accuracy and speed with generative machine learning models would enable them to augment traditional simulations and alleviate a major computing constraint. This work achieves a major breakthrough in this task by, for the first time, directly generating a point cloud of a few thousand space points with energy depositions in the detector in 3D space without relying on a fixed-grid structure. This is made possible by two key innovations: i) using recent improvements in generative modeling we apply a diffusion model to generate ii) an initial even higher-resolution point cloud of up to 40,000 so-called Geant4 steps which is subsequently down-sampled to the desired number of up to 6,000 space points. We showcase the performance of this approach using the specific example of simulating photon showers in the planned electromagnetic calorimeter of the International Large Detector (ILD) and achieve overall good modeling of physically relevant distributions.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI