Correcting Sensor-Induced Distribution Drift with Wasserstein Adversarial Learning

Sintesi Tecnica: Correzione della Deriva della Distribuzione Indotta dai Sensori tramite Apprendimento Avversariale di Wasserstein

Definizione del Problema
L'integrità dell'analisi basata sui dati nella fisica delle alte energie (HEP) dipende dalla stabilità dei sistemi di rilevamento. Tuttavia, il movimento dei sensori, le condizioni ambientali e l'invecchiamento dei materiali a lungo termine introducono distorsioni sistematiche che degradano le prestazioni dei rivelatori. Sebbene esistano procedure di calibrazione e allineamento tradizionali, esse sono spesso dispendiose in termini di risorse e richiedono corrispondenze esplicite a livello di evento o target di degradazione etichettati, che sono frequentemente non disponibili in scenari realistici. La sfida principale consiste nell'inferire parametri di trasformazione fisicamente interpretabili (ad esempio, offset geometrici o coefficienti di attenuazione) che mappino una distribuzione della risposta del rivelatore modificata verso una distribuzione di riferimento nominale, senza fare affidamento su target supervisionati o modelli di verosimiglianza espliciti. Questo problema è inquadrato come un problema di deriva della distribuzione (o deriva del dominio) in cui le distribuzioni dei dati generanti differiscono tra le condizioni nominali e quelle degradate.

Metodologia
Gli autori propongono un nuovo framework non supervisionato basato sulle Reti Generative Avversariali di Wasserstein (WGAN) per recuperare i parametri di trasformazione. A differenza della modellazione generativa standard dove un generatore sintetizza nuovi campioni di dati, questo approccio reinterpreta il generatore come una trasformazione di calibrazione deterministica e apprendibile.

• Architettura: Il sistema è composto da due componenti principali:
  1. Il Generatore ($T_\theta$): Una trasformazione parametrizzata applicata direttamente ai dati osservati. I suoi pesi addestrabili $\theta$ rappresentano i parametri fisici da inferire (ad esempio, uno spostamento spaziale $\Delta x$ per il tracking o coefficienti di attenuazione cella per cella $\alpha_i$ per la calorimetria).
  2. Il Critico ($C_\phi$): Una rete neurale vincolata a essere 1-Lipschitz, addestrata per stimare la distanza di Wasserstein-1 tra la distribuzione di riferimento (nominale) e la distribuzione trasformata (modificata).
• Obiettivo: Il framework impiega un'ottimizzazione minimax. Il critico viene addestrato per massimizzare la distanza di Wasserstein stimata tra i dati di riferimento e i dati trasformati, mentre i parametri di trasformazione $\theta$ vengono aggiornati per minimizzare tale distanza. Spingendo la distribuzione trasformata ad allinearsi statisticamente con la distribuzione di riferimento, il modello apprende implicitamente i parametri fisici responsabili dello scostamento.
• Distinzione Chiave: Non viene assunta alcuna corrispondenza a livello di evento tra i campioni di riferimento e quelli modificati. L'inferenza è guidata interamente dall'accordo distributivo a livello di popolazione.

Validazione Sperimentale
Il metodo è stato validato in due distinti setting:

1. Modello Toy per Tracker: Una simulazione semplificata di un rivelatore di tracking con tre strati. È stato iniettato un disallineamento geometrico noto (uno spostamento $\Delta x_2$ nel secondo piano). Il framework ha recuperato con successo il parametro di spostamento allineando le distribuzioni delle coordinate degli "hit". Lo studio ha dimostrato che il metodo rimane accurato per livelli di rumore bassi o moderati, ma degrada man mano che il rumore di misura si avvicina all'entità dello spostamento iniettato, in modo coerente con la perdita di informazioni geometriche identificabili.
2. Invecchiamento del Calorimetro: Un calorimetro ad alta granularità, simulato con Geant4, è stato sottoposto ad attenuazione del segnale cella per cella per emulare il danno da radiazioni. Il generatore è stato configurato come un tensore 3D apprendibile di coefficienti di calibrazione ($\alpha_i$) per riscalare i depositi di energia cella per cella.
   • Risultati: I coefficienti di invecchiamento inferiti hanno mostrato una forte correlazione positiva con la verità fondamentale ($R^2 \approx 0,896$).
   • Performance: Il metodo proposto ha ottenuto un errore quadratico medio (RMSE) di $0,0176$, superando significativamente un semplice baseline che stimava l'invecchiamento basandosi solo sul rapporto tra le risposte medie delle celle (RMSE $0,0562$).
   • Allineamento della Distribuzione: L'applicazione dei coefficienti appresi ai dati danneggiati ha ripristinato con successo la distribuzione della somma globale dell'energia, facendola coincidere con la distribuzione non danneggiata di riferimento.
   • Sensibilità al Rumore: Lo studio ha confermato che all'aumentare delle variazioni stocastiche cella-cella (rumore), l'identificabilità dei singoli parametri diminuisce, poiché diverse configurazioni di coefficienti possono produrre statistiche aggregate simili.

Contributi Chiave e Significato
Il documento posiziona la calibrazione e l'allineamento dei rivelatori all'interno della più ampia classe dei problemi di deriva della distribuzione. I suoi contributi primari sono:

• Cambio di Paradigma: Esso ridefinisce il ruolo del generatore nell'apprendimento avversariale dalla sintesi dei dati al recupero dei parametri, utilizzando i pesi addestrabili per rappresentare costanti di calibrazione fisiche.
• Inferenza Non Supervisionata: Il metodo consente il recupero di parametri fisici interpretabili senza target di degradazione etichettati o matching a livello di evento, affrontando un collo di bottiglia chiave nelle operazioni dei rivelatori dove la ricalibrazione completa è spesso impraticabile.
• Calibrazione Basata sui Dati: Dimostra che l'allineamento distributivo avversariale può servire come una componente valida e basata sui dati nelle strategie di calibrazione, particolarmente in contesti in cui non sono disponibili etichette dirette per i parametri di degradazione.

Limitazioni e Ambito
Gli autori mantengono una posizione modesta riguardo alle capacità del metodo. Essi osservano che, sebbene l'approccio recuperi efficacemente i trend sistematici dominanti (ad esempio, i trend globali di invecchiamento o gli spostamenti geometrici), esso affronta limitazioni nel risolvere le fluttuazioni stocastiche fine-grained (per cella) quando il rumore canale-canale è elevato. Il documento conclude che questa calibrazione avversariale debba essere vista come una tecnica complementare per ridurre la dipendenza dalla supervisione, piuttosto che come un sostituto completo dei workflow stabiliti. Il lavoro futuro suggerisce di estendere il framework alla degradazione dipendente dal tempo e a strategie ibride che incorporano segnali di riferimento esterni.