CaloFlow: Fast and Accurate Generation of Calorimeter Showers with Normalizing Flows

要約

タイトル：CaloFlow：正規化フローを用いた迅速で正確なカロリメーターシャワーの生成

要約：

– CaloFlowという、正規化フローに基づく高速な検出器シミュレーションフレームワークを発表
– 正規化フローが多チャンネルカロリメーターシャワーを非常に高い再現性で再現できることを初めて示した
– これは、GEANT4シミュレーションのような計算コストの高いシミュレーションやGANやVAEを利用した最先端の迅速シミュレーションフレームワークという代替案を提供するもの
– 物理量のヒストグラムやカロリメーターシャワーの画像に加え、生成モデリングの品質を判断する新しいメトリックを導入し、本物と生成された画像を区別する分類器のパフォーマンスを利用した評価を紹介
– GANによって生成された画像は、分類器によってほぼ100％の精度で特定できるが、CaloFlowから生成された画像は、分類器をより騙すことができる
– 正規化フローは、GANやVAEなどの最先端のアプローチに比べて、扱いやすい尤度、安定した収束学習、原理的なモデル選択などの利点がある
– 正規化フローは、データと潜在空間の間に可逆なマッピングを提供するため、シミュレーション以外にも、検出器展開などの他の応用も考えられる。

要約(オリジナル)

We introduce CaloFlow, a fast detector simulation framework based on normalizing flows. For the first time, we demonstrate that normalizing flows can reproduce many-channel calorimeter showers with extremely high fidelity, providing a fresh alternative to computationally expensive GEANT4 simulations, as well as other state-of-the-art fast simulation frameworks based on GANs and VAEs. Besides the usual histograms of physical features and images of calorimeter showers, we introduce a new metric for judging the quality of generative modeling: the performance of a classifier trained to differentiate real from generated images. We show that GAN-generated images can be identified by the classifier with nearly 100% accuracy, while images generated from CaloFlow are better able to fool the classifier. More broadly, normalizing flows offer several advantages compared to other state-of-the-art approaches (GANs and VAEs), including: tractable likelihoods; stable and convergent training; and principled model selection. Normalizing flows also provide a bijective mapping between data and the latent space, which could have other applications beyond simulation, for example, to detector unfolding.

arxiv情報

提供元, 利用サービス

arxiv.jp, OpenAI