研究目的
利用生成对抗神经网络模拟切伦科夫探测器响应,以绕过低层细节、提高模拟速度并保持精度。
研究成果
利用生成对抗网络(GAN)快速模拟切伦科夫探测器的新方法具有良好精度,并实现了显著的速度提升(在单CPU核心上比完整的GEANT模拟快达8万倍,比FastDIRC快达80倍)。该方法与基线模拟结果一致,在高能物理实验应用中展现出潜力。
研究不足
该方法在处理相邻粒子的干扰时可能存在局限性,这体现在需要纳入背景粒子运动学中。AUC分数的统计不确定性约为0.005,这可能会影响某些场景下的精确度。
1:实验设计与方法选择:
本研究采用生成对抗网络(GAN),具体使用Wasserstein GAN和Cramer GAN,将输入观测量与输出分布相关联,以实现切伦科夫探测器的快速模拟。该方法聚焦于高层观测量重建,从而跳过光子生成阶段。
2:样本选择与数据来源:
输入数据样本通过FastDIRC模拟软件包生成,用于内部反射切伦科夫光探测器。事件包含赝快度均匀分布(-1.5至1.5)且能量呈高斯分布(均值6 GeV,宽度2 GeV,能量>2.5 GeV)的径迹,每个事件额外包含一个背景粒子。
3:5至5)且能量呈高斯分布(均值6 GeV,宽度2 GeV,能量>5 GeV)的径迹,每个事件额外包含一个背景粒子。
实验设备与材料清单:
3. 实验设备与材料清单:使用具有10个全连接层的神经网络,每层包含128个神经元。训练采用100万个生成事件。输入观测量包括信号粒子的能量、赝快度以及粒子径迹与DIRC条侧面的距离。
4:实验流程与操作步骤:
针对每种粒子类型分别训练独立的神经网络模型。输入观测量分布在输入神经网络前通过分位数变换转换为正态分布。训练过程涉及最小化Wasserstein距离等散度。
5:数据分析方法:
通过比较输出似然度的多维分布与FastDIRC结果来评估模拟质量。利用接收者操作特征曲线下面积(ROC AUC)评估粒子类型(如π介子和K介子)间的分离能力。
独家科研数据包,助您复现前沿成果,加速创新突破
获取完整内容