Attention to Mean-Fields for Particle Cloud Generation

要約

従来のモンテカルロシミュレーション手法、特に高輝度の将来の衝突型加速器に関連する計算上の課題が増大しているため、機械学習を使用した衝突型加速器データの生成は、素粒子物理学の顕著な研究トピックとして浮上しています。
粒子群の生成は点群の生成に似ていますが、粒子間の複雑な相関を正確にモデル化することには、かなりの課題が伴います。
さらに、粒子雲のサイズが可変であるため、これらの問題はさらに悪化し、より洗練されたモデルが必要になります。
この研究では、これらの課題に対処するためにアテンションベースの集約メカニズムを利用する新しいモデルを提案します。
モデルは敵対的トレーニング パラダイムでトレーニングされ、生成者と批評家の両方が入力に関して順列等変性/不変性を示すことが保証されます。
トレーニングを安定させるために、批評家における新しい機能マッチング損失が導入されています。
提案されたモデルは、パラメーターが大幅に少ないにもかかわらず、最先端のモデルに匹敵するパフォーマンスを発揮します。

要約(オリジナル)

The generation of collider data using machine learning has emerged as a prominent research topic in particle physics due to the increasing computational challenges associated with traditional Monte Carlo simulation methods, particularly for future colliders with higher luminosity. Although generating particle clouds is analogous to generating point clouds, accurately modelling the complex correlations between the particles presents a considerable challenge. Additionally, variable particle cloud sizes further exacerbate these difficulties, necessitating more sophisticated models. In this work, we propose a novel model that utilizes an attention-based aggregation mechanism to address these challenges. The model is trained in an adversarial training paradigm, ensuring that both the generator and critic exhibit permutation equivariance/invariance with respect to their input. A novel feature matching loss in the critic is introduced to stabilize the training. The proposed model performs competitively to the state-of-art whilst having significantly fewer parameters.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google