Валидация глубоких сверточных генеративных состязательных сетей для моделирования калориметров в физике высоких энергий

В физике частиц моделирование переноса частиц через детекторы требует огромных вычислительных ресурсов, задействуя более 50% ресурсов сетки CERN Worldwide Large Hadron Collider Grid. Эта задача стимулировала поиск более быстрых альтернатив стандартным моделированиям методом Монте-Карло. Глубокие генеративные состязательные сети являются одними из наиболее перспективных вариантов. Предыдущие исследования показали, что они достигают необходимого уровня точности, при этом снижая время моделирования на несколько порядков. В этой статье мы представляем недавно разработанную архитектуру нейронной сети, которая воспроизводит трёхмерную задачу с использованием двумерных сверточных слоёв, и сравниваем её производительность с более ранней архитектурой, состоящей из трёхмерных сверточных слоёв. Оценка производительности базируется на прямом сравнении с моделированиями методом Монте-Карло по различным физическим величинам, обычно применяемым для количественной оценки отклика детектора. Мы демонстрируем, что наша новая архитектура нейронной сети обеспечивает более высокий уровень точности по сравнению с 3D сверточным GAN при одновременном снижении необходимых вычислительных ресурсов. Калориметры являются одними из наиболее «дорогих» в смысле времени моделирования детекторов; поэтому в работе мы сосредотачиваемся на прототипе электромагнитного калориметра с регулярной высокогранулярной геометрией в качестве примера будущих калориметров.