Deep Generative Models for Proton Zero Degree Calorimeter Simulations in ALICE, CERN

要約

検出器の応答をシミュレーションすることは、CERN の大型ハドロン衝突型加速器における粒子衝突の内部動作を理解する上で重要な部分です。
現在、統計的なモンテカルロ シミュレーションに依存しているため、CERN の計算グリッドに負担がかかり、より効率的な代替手段の緊急性が強調されています。
これらの課題に対処するために、最近の提案では生成機械学習手法が提唱されています。
この研究では、ALICE 実験における陽子ゼロ度熱量計に合わせて調整された革新的な深層学習シミュレーション アプローチを紹介します。
選択的多様性増加損失を備えた敵対的生成ネットワーク 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。
広範囲の熱量計応答強度をモデル化する機能を強化するために、正則化を追加して SDI-GAN アーキテクチャを拡張します。
さらに、生成されたデータの空間忠実度を向上させるために、補助回帰ネットワークを導入します。
私たちの方法は、従来のモンテカルロベースのアプローチと比較して大幅な高速化を実現します。

要約(オリジナル)

Simulating detector responses is a crucial part of understanding the inner-workings of particle collisions in the Large Hadron Collider at CERN. The current reliance on statistical Monte-Carlo simulations strains CERN’s computational grid, underscoring the urgency for more efficient alternatives. Addressing these challenges, recent proposals advocate for generative machine learning methods. In this study, we present an innovative deep learning simulation approach tailored for the proton Zero Degree Calorimeter in the ALICE experiment. Leveraging a Generative Adversarial Network model with Selective Diversity Increase loss, we directly simulate calorimeter responses. To enhance its capabilities in modeling a broad range of calorimeter response intensities, we expand the SDI-GAN architecture with additional regularization. Moreover, to improve the spatial fidelity of the generated data, we introduce an auxiliary regressor network. Our method offers a significant speedup when comparing to the traditional Monte-Carlo based approaches.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google