Topics in Generative Modeling of Particle Physics Data

Abstract

Messungen in Teilchenphysik-Experimenten resultieren in gewaltigen Datenmengen. Das Fes- thalten dieser Daten braucht auf der einen Seite eine enorme Menge an Speicherplatz, und auf der anderen Seite ist eine ähnlich große Menge an Simulationsdaten nötig, um die Messungen zu analysieren. Ausreichend Rechenressourcen für diese beiden Anwendungen bereitzustellen, wird kontinuierlich schwieriger. Diese Arbeit untersucht daher, wie generative Anwendungen von maschinellem Lernen genutzt werden können, um diesem Problem beizukommen. Wir demonstrieren zuerst, dass ein generatives Modell tatsächlich in der Lage ist, eine größere Anzahl neuer Datenpunkte zu generieren, als benutzt wurden, um das Modell zu trainieren. Dieses Ergebnis stellt den Grundbaustein für die Anwendung von generativen Modellen für schnelle Simulationen dar. Anschließend daran präsentieren wir, wie drei generativen Modelle – ein GAN, ein WGAN und ein BIB-AE – für die schnelle Simulation von Photon-Kaskaden in dem hoch-granularen elektromagnetischen Kalorimeter des geplanten International Large Detectors verwendet werden können. Des weiten zeigen wir, wie die WGAN und BIB-AE Modelle erweit- ert werden könne, um die Simulation von Pion-Kaskaden in einem hadronischen Kalorimeter zu ermöglichen. Sowohl für Photonen, als auch Pionen, zeigen wir, dass die generativen Modelle die Ergebnisse klassischer Simulationsmethoden gut nachahmen können, und dabei signifikant weniger Zeit brauchen, um die Kalorimeter Kaskaden zu simulieren. Darüber hinaus präsentieren wir die Ergebnisse des ersten Trainings eines generativen Modells auf echten Messdaten. Dabei zeigen wir, dass ein so trainiertes Modell eine ähnliche Präzision erreichen kann wie klassische Simulationsmethoden und gleichzeitig wesentlich weniger Simulationszeit und Rechenleistung in Anspruch nimmt. Schlussendlich stellen wir ein online trainiertes generatives Modell vor, welches in der Lage ist Informationen aus Bereichen zu sammeln, die von momentanen Trigger Systemen verworfen werden. Somit könnte ein solches Modell benutzt werden, um den Speicherplatzbedarf moderner Teilchenphysik-Experimente zu reduzieren.

The large amount of data collected by current and future particle physics experiments requires both a large amount of space to store the recorded data and a large amount of simulated data to analyze. This presents a significant strain on the available computational resources. This work explores the use of generative machine learning models to address these challenges. We initially demonstrate the ability of a generative model to generate more data points than it was trained on, thereby showing generative models are a viable approach for fast simulation. Building on this, we demonstrate the use of three generative networks, a GAN, a WGAN, and a BIB-AE with Post Processor, for the fast simulation of photon showers in a highly granular electromagnetic calorimeter, designed for the International Large Detector. We further show how the WGAN and BIB-AE models can be extended to simulate pion showers in a hadronic calorimeter with a high degree of accuracy, while significantly reducing the needed per-shower simulation time. Notably, we also present the first results for a generative model trained on measurement data in particle physics and show that a BIB-AE model, trained on testbeam data, can reach a precision similar to classical simulation tools while providing a significant speedup. Finally, we address the challenge of having limited storage space by presenting a proposal for an online trained generative model. We show that this model can act as a scouting tool for regions currently ignored by trigger setups and be used to extract potential new-physics signals from these regions without requiring additional storage space.