Physics Instrument Design with Reinforcement Learning

要約

勾配ベースの機器最適化手法の代替として、物理機器の設計に強化学習 (RL) を使用するケースを紹介します。
その適用可能性は、2 つの実証研究を使用して実証されています。
1 つは熱量計の縦方向のセグメンテーションであり、2 つ目は分光計内のトラッカーの横方向のセグメンテーションと縦方向の配置の両方です。
これらの実験に基づいて、微分可能プログラミングやサロゲートベースの微分可能設計最適化手法に比べて独自の利点を提供する代替アプローチを提案します。
まず、強化学習 (RL) アルゴリズムには固有の探索機能があり、局所最適化への収束のリスクを軽減します。
第 2 に、このアプローチにより、固定パラメーターを使用して事前定義された検出器モデルに設計を制約する必要がなくなります。
その代わりに、可変数の検出器コンポーネントを柔軟に配置できるようになり、個別の意思決定が容易になります。
次に、このアイデアを非常に複雑な機器の設計にどのように拡張できるかについてのロードマップについて説明します。
発表された研究は、物理学機器設計における新しいフレームワークの準備を整え、前例のないエネルギーで物理学を探求するために最も最適化された検出器が不可欠なフューチャー・サーキュラー・コライダー（FCC）などの将来のプロジェクトにとって極めて重要となり得るスケーラブルで効率的なフレームワークを提供します。
秤。

要約(オリジナル)

We present a case for the use of Reinforcement Learning (RL) for the design of physics instrument as an alternative to gradient-based instrument-optimization methods. It’s applicability is demonstrated using two empirical studies. One is longitudinal segmentation of calorimeters and the second is both transverse segmentation as well longitudinal placement of trackers in a spectrometer. Based on these experiments, we propose an alternative approach that offers unique advantages over differentiable programming and surrogate-based differentiable design optimization methods. First, Reinforcement Learning (RL) algorithms possess inherent exploratory capabilities, which help mitigate the risk of convergence to local optima. Second, this approach eliminates the necessity of constraining the design to a predefined detector model with fixed parameters. Instead, it allows for the flexible placement of a variable number of detector components and facilitates discrete decision-making. We then discuss the road map of how this idea can be extended into designing very complex instruments. The presented study sets the stage for a novel framework in physics instrument design, offering a scalable and efficient framework that can be pivotal for future projects such as the Future Circular Collider (FCC), where most optimized detectors are essential for exploring physics at unprecedented energy scales.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google