Generative Diffusion Models for Fast Simulations of Particle Collisions at CERN

要約

高エネルギー物理学シミュレーションは、CERN の大型ハドロン衝突型加速器内での粒子衝突実験の複雑さを解明する上で重要な役割を果たします。
機械学習シミュレーション手法は、従来のアプローチに代わる有望な手法として注目を集めています。
既存の手法では主に変分オートエンコーダ (VAE) または敵対的生成ネットワーク (GAN) が使用されていますが、最近の進歩により、最先端の生成機械学習手法としての拡散モデルの有効性が強調されています。
我々は、拡散モデルに基づくゼロ度熱量計 (ZDC) の最初のシミュレーションを ALICE 実験で発表し、既存のベースラインと比較して最高の忠実度を達成しました。
生成時間とシミュレーション品質の間のトレードオフの分析を実行します。
この結果は、生成時間が速いため、潜在拡散モデルの大きな可能性を示しています。

要約(オリジナル)

In High Energy Physics simulations play a crucial role in unraveling the complexities of particle collision experiments within CERN’s Large Hadron Collider. Machine learning simulation methods have garnered attention as promising alternatives to traditional approaches. While existing methods mainly employ Variational Autoencoders (VAEs) or Generative Adversarial Networks (GANs), recent advancements highlight the efficacy of diffusion models as state-of-the-art generative machine learning methods. We present the first simulation for Zero Degree Calorimeter (ZDC) at the ALICE experiment based on diffusion models, achieving the highest fidelity compared to existing baselines. We perform an analysis of trade-offs between generation times and the simulation quality. The results indicate a significant potential of latent diffusion model due to its rapid generation time.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google