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代替手段として生成サロゲート モデルを構築する探求においては、生成されるサンプルの品質が依然として重要なフロンティアです。
これまでのところ、フローの正規化は最も忠実度の高いモデルの 1 つです。
ただし、このようなモデルの潜在空間はデータ空間と同じ次元である必要があるため、正規化フローを高次元のデータセットにスケールアップするのは簡単ではありません。
従来の L2LFlows アプローチでは、一連の個別の正規化フローと一連の調整ステップを使用して、この問題を回避することに成功しました。
この研究では、L2LFlows を拡張して、横方向のプロファイルが 9 倍大きいシャワーをシミュレートします。
これを達成するために、畳み込み層と U-Net タイプの接続を導入し、マスクされた自己回帰フローから結合層に移行し、ILD 電磁熱量計および公開 CaloChallenge 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が成功したことを示します。

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, Google