Оценка генеративных моделей в физике высоких энергий

В последние годы наблюдается взрывной рост исследований генеративного моделирования на основе машинного обучения для решения вычислительных задач симуляций в физике высоких энергий (HEP). Для практического использования таких альтернативных симуляторов необходимы чётко определённые метрики для сравнения различных генеративных моделей и оценки их расхождения с истинными распределениями. Мы представляем первое систематическое обзорное исследование метрик оценки и их чувствительности к режимам отказа генеративных моделей в рамках тестирования соответствия двух выборок (two-sample goodness-of-fit), а также оцениваем их релевантность и пригодность для HEP. Вдохновлённые предыдущими работами в физике и компьютерном зрении, мы предлагаем две новые метрики — расстояния Fréchet и kernel physics (FPD и KPD соответственно) — и проводим ряд экспериментов по измерению их эффективности на простых нормальных (гауссовских) распределениях и на моделированных наборах данных по струям (jets) высоких энергий. Мы обнаружили, что FPD, в частности, является наиболее чувствительной метрикой ко всем протестированным альтернативным распределениям струй и рекомендуем её применение вместе с KPD и расстояниями Вассерштейна между отдельными распределениями признаков для оценки генеративных моделей в HEP. Наконец, мы демонстрируем эффективность предложенных метрик при оценке и сравнении нового генеративного состязательного трансформера частиц с механизмом внимания (attention-based generative adversarial particle transformer) и передовой модели имитации струй на основе message-passing generative adversarial network. Код для предложенных метрик доступен в открытой библиотеке jetnet на Python.