Deep generative models for ultra-high granularity particle physics detector simulation

Hashemi, Baran (2023): Deep generative models for ultra-high granularity particle physics detector simulation: a voyage from emulation to extrapolation = Tiefe generative Modelle für die Simulation von Teilchenphysik-Detektoren mit ultrahoher Granularität : eine Reise von der Emulation zur Extrapolation. Dissertation, LMU München: Fakultät für Physik

Abstract

Simulating ultra-high-granularity detector responses in Particle Physics represents a critical yet computationally demanding task. This thesis aims to overcome these challenges by focusing on the Pixel Vertex Detector (PXD) at the Belle II experiment, which features over 7.5M pixel channels—the highest spatial resolution detector simulation dataset ever analyzed with deep generative models. As the first contribution, I introduce the Intra-Event Aware Generative Adversarial Network (IEA-GAN), a model incorporating relational reasoning and self-supervised learning to simulate an “event” in the detector. This study establishes PXD data as a fine-grained dataset and underscores the importance of intra-event correlation for downstream physics analyses. IEA-GAN emulates PXD signatures in a geometry-aware and correlated manner. Building upon this, this thesis introduces YonedaVAE, a Category Theory-inspired generative model that tackles the open problem of Out-of-Distribution (OOD) simulation. Inspired by Category Theory, YonedaVAE introduces a learnable Yoneda Embedding to capture the entirety of an event based on its sensor relationships, formulating a formal language for intra-event relational reasoning. This is complemented by a self-supervised set generator and an adaptive Top-q sampling mechanism, enabling the model to sample point clouds with variable intra-event and inter-event cardinalities far beyond the training data cardinality. Intra-event variable cardinality has not been done before and is vital when one is dealing with irregular detector geometries and hit patterns through the detector. This study presents the first results for a generative model trained on real data in ultra-high granularity particle physics. It shows that the YonedaVAE model, trained on an early experiment background data, can reach a reasonable simulation of a later experiment with almost double luminosity while providing a significant storage release. Remarkably, YonedaVAE achieves this extrapolation without previous exposure to high-luminosity data, showcasing its robustness and generalizability. Collectively, these models not only substantially reduce computational overhead but also achieve unprecedented precision in ultra-high-granularity detector simulations, opening new avenues for both computational efficiency and accuracy in particle physics.

Abstract

Die Simulation von Detektorantworten mit ultrahoher Granularität in der Teilchenphysik stellt eine kritische, jedoch rechenintensive Aufgabe dar. Diese Arbeit zielt darauf ab, diese Herausforderungen zu bewältigen, indem sie sich auf den Pixel-Vertex-Detektor (PXD) im Belle II-Experiment konzentriert, der über 7,5 Millionen Pixelkanäle verfügt – den höchstaufgelösten Detektorsimulationsdatensatz, der jemals mit tiefen generativen Modellen analysiert wurde. Als erste Beitrag führe ich das Intra-Event-Aware Generative Adversarial Network (IEA-GAN) ein, ein Modell, das relationales Denken und selbstüberwachtes Lernen integriert, um ein „Ereignis“ im Detektor zu simulieren. Diese Studie etabliert PXD-Daten als feinkörnigen Datensatz und unterstreicht die Bedeutung der intra-eventuellen Korrelation für nachgelagerte physikalische Analysen. IEA-GAN emuliert PXD-Signaturen auf eine geometriebewusste und korrelierte Weise. Aufbauend darauf führt diese Arbeit YonedaVAE ein, ein fortschrittliches generatives Modell, das das offene Problem der Out-of-Distribution (OOD) Simulation von realen Daten angeht. Inspiriert durch die Kategorientheorie verwendet YonedaVAE ein lernbares Yoneda-Embedding, um die Gesamtheit eines Ereignisses anhand seiner Sensorbeziehungen zu erfassen, und formuliert eine formale Sprache für intra-eventuelles relationales Denken. Dies wird ergänzt durch einen selbstdestillierten Mengengenerator und einen adaptiven Top-q Abtastmechanismus, der es dem Modell ermöglicht, Punktewolken mit variablen intra- und inter-eventuellen Kardinalitäten weit über die Kardinalität der Trainingsdaten hinaus zu sampeln. Eine variable intra-event Kardinalität wurde zuvor noch nicht erreicht und ist von entscheidender Bedeutung, wenn man sich mit unregelmäßigen Detektorgeometrien und Treffermustern durch den Detektor beschäftigt. Diese Studie präsentiert die ersten Ergebnisse für ein generatives Modell, das auf realen Daten in der Teilchenphysik mit ultrahoher Granularität trainiert wurde. Sie zeigt, dass das YonedaVAE-Modell, trainiert auf frühzeitigen Hintergrunddaten eines Experiments, eine vernünftige Simulation eines späteren Experiments mit fast doppelter Leuchtkraft erreichen kann, während es gleichzeitig eine signifikante Speicherentlastung bietet. Bemerkenswert ist, dass YonedaVAE diese Extrapolation ohne vorherige Exposition gegenüber Hochleuchtkraftdaten erreicht, was seine Robustheit und Generalisierbarkeit unterstreicht. Insgesamt reduzieren diese Modelle nicht nur erheblich den Rechenaufwand, sondern erreichen auch eine noch nie dagewesene Präzision in Detektorsimulationen mit ultrahoher Granularität. Dies eröffnet neue Wege sowohl für die Recheneffizienz als auch für die Genauigkeit in der Teilchenphysik.

• Dokumententyp: Dissertationen (Dissertation, LMU München)
• Themengebiete: 500 Naturwissenschaften und Mathematik ; 500 Naturwissenschaften und Mathematik > 530 Physik
• Fakultäten: Fakultät für Physik
• Sprache der Hochschulschrift: Englisch
• Datum der mündlichen Prüfung: 22. November 2023
• 1. Bericht­erstatter:in: Kuhr, Thomas