Machine Learning methods for simulating particle response in the Zero Degree Calorimeter at the ALICE experiment, CERN

要約

現在、CERN GRID の計算能力の半分以上が高エネルギー物理シミュレーションの実行に使用されています。
大型ハドロン衝突型加速器 (LHC) の最近の更新により、より効率的なシミュレーション手法を開発する必要性が生じています。
特に、中性子ゼロ度熱量計の高速シミュレーションに対する需要が存在しており、既存のモンテカルロベースの方法ではかなりの計算負荷が課されます。
私たちは、機械学習を活用した、この問題に対する代替アプローチを提案します。
私たちのソリューションは、ニューラル ネットワーク分類器と生成モデルを利用して、熱量計の応答を直接シミュレートします。
特に、変分オートエンコーダと敵対的生成ネットワークのパフォーマンスを検証し、追加の正則化ネットワークとシンプルかつ効果的な後処理ステップによって GAN アーキテクチャを拡張します。
私たちのアプローチでは、シミュレーションの高い忠実度を維持しながら、シミュレーション速度が 2 桁向上します。

要約(オリジナル)

Currently, over half of the computing power at CERN GRID is used to run High Energy Physics simulations. The recent updates at the Large Hadron Collider (LHC) create the need for developing more efficient simulation methods. In particular, there exists a demand for a fast simulation of the neutron Zero Degree Calorimeter, where existing Monte Carlo-based methods impose a significant computational burden. We propose an alternative approach to the problem that leverages machine learning. Our solution utilises neural network classifiers and generative models to directly simulate the response of the calorimeter. In particular, we examine the performance of variational autoencoders and generative adversarial networks, expanding the GAN architecture by an additional regularisation network and a simple, yet effective postprocessing step. Our approach increases the simulation speed by 2 orders of magnitude while maintaining the high fidelity of the simulation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google