Convolutional L2LFlows: Generating Accurate Showers in Highly Granular Calorimeters Using Convolutional Normalizing Flows

要約

ルールベースのシミュレーションに代わる、計算効率の高い生成的サロゲートモデルを構築するための探求において、生成されるサンプルの質は依然として重要なフロンティアである。これまでのところ、正規化フローは最も忠実度の高いモデルの一つである。しかし、このようなモデルの潜在空間はデータ空間と同じ次元性を持つ必要があるため、正規化フローを高次元データセットにスケールアップすることは容易ではない。先行するL2LFlowsのアプローチは、この問題を回避するために、一連の個別の正規化フローと一連の条件付けステップを用いることに成功している。本研究では、L2LFlowsを拡張し、横方向に9倍大きなプロファイルを持つシャワーをシミュレートする。これを実現するために、畳み込み層とU-Net型接続を導入し、マスクされた自己回帰フローからカップリング層に移行し、ILD電磁カロリーメーターとCaloChallenge公開データセットのデータセット3でシャワーのモデリングに成功したことを実証する。

要約(オリジナル)

In the quest to build generative surrogate models as computationally efficient alternatives to rule-based simulations, the quality of the generated samples remains a crucial frontier. So far, normalizing flows have been among the models with the best fidelity. However, as the latent space in such models is required to have the same dimensionality as the data space, scaling up normalizing flows to high dimensional datasets is not straightforward. The prior L2LFlows approach successfully used a series of separate normalizing flows and sequence of conditioning steps to circumvent this problem. In this work, we extend L2LFlows to simulate showers with a 9-times larger profile in the lateral direction. To achieve this, we introduce convolutional layers and U-Net-type connections, move from masked autoregressive flows to coupling layers, and demonstrate the successful modelling of showers in the ILD Electromagnetic Calorimeter as well as Dataset 3 from the public CaloChallenge dataset.

arxiv情報

提供元, 利用サービス

arxiv.jp, DeepL