Calo-VQ: Vector-Quantized Two-Stage Generative Model in Calorimeter Simulation

要約

ベクトル量子化変分オートエンコーダ (VQ-VAE) を適用して、熱量計検出器の応答を高速にシミュレーションするために開発された新しい機械学習方法を紹介します。
私たちのモデルは 2 段階の生成戦略を採用しています。最初にジオメトリを認識した熱量計データを離散潜在空間に圧縮し、続いてシーケンス モデルを適用して潜在トークンを学習および生成します。
Calo-challenge データセットに対する広範な実験により、私たちのアプローチの効率性が強調され、従来の方法と比較して生成速度が 2000 倍という顕著な向上を示しています。注目すべきことに、私たちのモデルはミリ秒以内に熱量計シャワーの生成を達成しています。
さらに、発電の物理的パフォーマンスを検証するために、さまざまな指標にわたる包括的な定量的評価が実行されます。

要約(オリジナル)

We introduce a novel machine learning method developed for the fast simulation of calorimeter detector response, adapting vector-quantized variational autoencoder (VQ-VAE). Our model adopts a two-stage generation strategy: initially compressing geometry-aware calorimeter data into a discrete latent space, followed by the application of a sequence model to learn and generate the latent tokens. Extensive experimentation on the Calo-challenge dataset underscores the efficiency of our approach, showcasing a remarkable improvement in the generation speed compared with conventional method by a factor of 2000. Remarkably, our model achieves the generation of calorimeter showers within milliseconds. Furthermore, comprehensive quantitative evaluations across various metrics are performed to validate physics performance of generation.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google