CaloClouds3: Ultra-Fast Geometry-Independent Highly-Granular Calorimeter Simulation

Dit artikel introduceert CaloClouds3, een ultrasnel, geometrie-onafhankelijk generatief model dat met behulp van hoekconditionering en positie-agnostische trainingsdata fotonshowers in een hooggranulair calorimeterbuisje simuleert met een inferentiesnelheid die twee orde van grootte sneller is dan Geant4.

De kern

CaloClouds3: De "Snelle Fotograaf" voor deeltjesfysica

Stel je voor dat je een gigantische, supergevoelige camera hebt die deeltjes vastlegt die met de snelheid van het licht door de ruimte vliegen. Deze camera heet een calorimeter. Wanneer een deeltje (zoals een foton) hierin botst, veroorzaakt het een "regen" van andere deeltjes, een zogenaamde shower.

Vroeger, en nog steeds vaak, gebruikten wetenschappers een programma genaamd Geant4 om te simuleren hoe deze regens eruit zien. Het probleem? Geant4 is als het simuleren van elke regendruppel, elke windvlaag en elke druppel die op een dak valt, tot in de kleinste detail. Het is ongelooflijk nauwkeurig, maar ook extreem traag en duur in rekenkracht. Als je miljoenen botsingen wilt simuleren voor een experiment, duurt het jaren om dit te doen.

CaloClouds3 is de nieuwe, supersnelle oplossing. Het is een kunstmatige intelligentie (AI) die leert hoe deze deeltjesregens eruit zien, zodat ze in een flits kunnen worden gegenereerd, zonder dat je elke druppel hoeft uit te rekenen.

Hier is hoe het werkt, opgedeeld in drie simpele concepten:

1. Van "Puntjes" in plaats van "Vlakken" (De Wolk-analogie)

Vroeger probeerden computers de regen te tekenen als een rooster van vakjes (zoals een pixelplaatje). Bij een heel fijne camera (een "high granularity" calorimeter) zijn er echter zoveel vakjes dat de computer verlamt.

CaloClouds3 doet het anders. Het ziet de regen niet als een plaatje, maar als een wolk van losse punten (een "point cloud").

• Analogie: Stel je voor dat je een regenbui wilt beschrijven. In plaats van te zeggen "vakje A is nat, vakje B is nat", zeg je: "Er zijn 5000 druppels op deze specifieke plekken".
• Waarom is dit slim? De meeste van die vakjes zijn leeg. Door alleen de druppels te tekenen die er echt zijn, bespaar je enorm veel tijd en geheugen.

2. De "Twee-in-één" Machine (De Architectuur)

De nieuwe AI bestaat uit twee delen die samenwerken, als een regisseur en een acteur:

• De Regisseur (ShowerFlow): Deze bepaalt het "grote plaatje". Hij zegt: "Oké, dit foton komt met een bepaalde energie en hoek. Hoeveel druppels (punten) moeten we hebben? Hoeveel energie zit er in elke laag van de camera?" Hij maakt een ruwe schets.
• De Acteur (Diffusiemodel): Deze vult de details in. Op basis van de schets van de regisseur, "droomt" hij de exacte positie en energie van elke individuele druppel in.

Het grote nieuwe in CaloClouds3:
De vorige versie (CaloClouds2) kon alleen regens simuleren die recht van boven kwamen (zoals regen die perfect verticaal valt). Maar in de echte wereld komen deeltjes uit alle hoeken.

• De upgrade: CaloClouds3 is nu hoek-onafhankelijk. Je kunt hem vertellen: "Het deeltje komt van linksboven" of "Het komt schuin van rechts", en hij past de regen direct aan. Dit maakt het model veel flexibeler en bruikbaarder voor de hele detector.

3. Snelheid en Nauwkeurigheid (De "Snelle Schets")

De onderzoekers hebben de AI getraind met data van Geant4 (de trage, nauwkeurige simulator). Ze hebben de AI geleerd om de resultaten van Geant4 na te bootsen, maar dan 100 keer sneller.

• De analogie: Stel je voor dat Geant4 een schilder is die elke penseelstreek handmatig en perfect nabootst. CaloClouds3 is een meester-schilder die, als hij de stijl eenmaal kent, in een seconde een schilderij maakt dat voor het blote oog niet te onderscheiden is van het origineel.
• Het resultaat: De nieuwe AI is twee orde van grootte sneller dan Geant4. Dat betekent dat wat Geant4 in een uur doet, CaloClouds3 in een paar seconden kan doen.

Waarom is dit belangrijk?

In de deeltjesfysica (zoals bij de zoektocht naar het Higgs-deeltje of donkere materie) hebben wetenschappers enorme hoeveelheden data nodig om zeldzame gebeurtenissen te vinden.

• Met de oude, trage methode moesten ze wachten of kiezen tussen snelheid en nauwkeurigheid.
• Met CaloClouds3 kunnen ze nu miljoenen simulaties draaien in de tijd die het vroeger kostte om er maar een paar te doen. Dit helpt hen om betere voorspellingen te doen en sneller nieuwe ontdekkingen te doen.

Kort samengevat:
CaloClouds3 is een slimme, snelle AI die leert hoe deeltjesregens eruit zien. In plaats van elke druppel uit te rekenen (zoals de oude methode), tekent hij een perfecte "wolk van punten" die er precies zo uitziet als de echte natuur, maar dan in een flits. Dit maakt het mogelijk om de toekomst van de deeltjesfysica veel sneller en efficiënter te verkennen.

Technische samenvatting

Titel: CaloClouds3: Ultra-Fast Geometry-Independent Highly-Granular Calorimeter Simulation

Auteurs: Thorsten Buss et al. (DESY, Universiteit Hamburg, CERN)
Doel: Presentatie van CaloClouds3, een geavanceerd machine learning-model voor de snelle simulatie van foton-sproeiingen (showers) in hoog-granulair calorimeters.

---

1. Het Probleem

In de experimentele deeltjesfysica is het vergelijken van waarnemingen uit deeltjesversnellers met theoretische voorspellingen een omgekeerd probleem. Om statistische onzekerheden te minimaliseren, zijn enorme hoeveelheden Monte Carlo-simulaties vereist. De meest rekenintensieve stap in deze simulaties is de gedetailleerde modellering van de interactie van deeltjes met calorimeters, meestal uitgevoerd met Geant4.

• Beperkingen: Geant4 is zeer nauwkeurig maar extreem traag en rekenkrachtintensief.
• Huidige oplossingen: Snelle simulatiemethoden (zoals Generatieve ML-modellen: GANs, VAEs, Diffusiemodellen) zijn nodig om de output van Geant4 te benaderen, maar dan veel sneller.
• Specifieke uitdaging: Bestaande modellen (zoals de voorganger CaloClouds2) waren vaak beperkt tot specifieke invalshoeken en posities, wat ze onbruikbaar maakte voor een volledige, realistische detector-simulatie waarbij deeltjes uit alle richtingen komen.

2. Methodologie

CaloClouds3 bouwt voort op de eerdere CaloClouds2-architectuur, maar introduceert cruciale upgrades om geometrie-onafhankelijkheid en hoekconditionering mogelijk te maken.

A. Data-Generatie en Preprocessing

• Detector: Het model is getraind op data van de ILD (International Large Detector), specifiek de siliconen variant van het elektromagnetische calorimeter (SiECAL). Dit is een octagonale structuur met 30 lagen van actieve siliciumcellen en passieve wolfraamabsorbers.
• Dataset: Gegevens gegenereerd met Geant4 voor fotonen tussen 1 en 127 GeV (een breder bereik dan CaloClouds2).
• Locatie-onafhankelijkheid: Om het model te laten werken voor de hele detector, is de trainingsdata "geregulariseerd". Ondersteunende structuren en de gestaggerde cellen van de echte detector zijn verwijderd om een uniforme roosterstructuur te creëren.
• Hoekconditionering: De data is gepreprocessed zodat de shower-richting wordt gecorrigeerd naar de lokale z-as. Dit stelt het model in staat om de fysica van de shower te leren zonder afhankelijk te zijn van de specifieke invalshoek in de training.
• Puntwolkrepresentatie: In plaats van een vast rooster, worden de energie-deposities weergegeven als een puntwolk (point cloud). Dit is efficiënter voor hoog-granulair data waar de activiteit vaak schaars is.

B. Architectuur (CaloClouds3)

Het model combineert twee ML-technieken:

1. ShowerFlow (Normalizing Flow): Bepaalt de macro-structuur van de shower.
   • Input: Incident energie ($E_{inc}$) en genormaliseerde impulsrichting ($\vec{p}_{inc}/|\vec{p}_{inc}|$).
   • Output: Het aantal punten per laag en de zichtbare energie per laag.
   • Upgrade: Het model is aanzienlijk vereenvoudigd (van 60 naar 12 affiene koppelingen) om overfitting te voorkomen en de training te stabiliseren.
2. Diffusiemodel (Distilled): Genereert de individuele punten binnen de shower.
   • Het model is gedistilleerd tot één stap voor inferentie.
   • Het is niet langer conditioneel op het totale aantal punten (wat bleek overbodig), maar wel op energie en richting.
   • Punten worden gegenereerd als "raw points" en vervolgens toegewezen aan lagen en geschaald op basis van de output van ShowerFlow.

C. Integratie en Reconstructie

• Het model is gecompileerd met TorchScript en geïntegreerd in de DD4hep/DDsim toolkit.
• In een volledige simulatieketen wordt Geant4 gebruikt totdat een foton het calorimeter bereikt. Vervolgens wordt Geant4 gestopt en neemt CaloClouds3 over om de shower te genereren.
• De gegenereerde punten worden teruggeprojecteerd naar de echte detectorgeometrie (inclusief gaten en ondersteunende structuren) voor reconstructie.

3. Belangrijkste Bijdragen

1. Hoekonafhankelijkheid: Voor het eerst kan een puntwolk-model fotonen simuleren bij alle invalshoeken (polair $\theta$ en azimutal $\phi$) binnen het barrel-segment van de detector.
2. Geometrie-onafhankelijkheid: Door regularisatie tijdens training en projectie tijdens inferentie, werkt één enkel model voor de hele detector, zonder dat er aparte modellen nodig zijn voor verschillende posities.
3. Optimalisatie voor Snelheid: Hyperparameters en de architectuur van de normalizing flow zijn agressief geoptimaliseerd. Dit resulteert in een aanzienlijke reductie van het aantal parameters en een stabielere training.
4. Verbeterde CoG (Center of Gravity) Benadering: In tegenstelling tot CaloClouds2, wordt de CoG niet meer expliciet gekalibreerd door de punten te verschuiven. Dit is fysisch realistischer, omdat de "staarten" van de CoG-verdeling in Geant4 ontstaan door gecorreleerde clusters van hits, niet door een verschuiving van de bulk.

4. Resultaten

De prestaties van CaloClouds3 zijn vergeleken met Geant4 en CaloClouds2 op basis van kinematische variabelen en reconstructie-metrics.

• Fysische Nauwkeurigheid:
  • CaloClouds3 reproduceert energieprofielen, bezettingsgraad (occupancy) en radiale verdelingen zeer nauwkeurig over het hele energiebereik (1-127 GeV).
  • De Jensen-Shannon-divergentie (een maat voor de afstand tussen verdelingen) toont aan dat CaloClouds3 vergelijkbaar of beter presteert dan CaloClouds2 voor de meeste variabelen, behalve voor de CoG in de loodrechte richting (waar CaloClouds2 nog een lichte voordeel heeft door zijn oude kalibratiemethode, maar CaloClouds3 is fysisch consistenter).
• Hoekreconstructie:
  • De interne hoek van de shower wordt goed gereproduceerd, vooral wanneer de reconstructie gebaseerd is op de hoogste 4% van de energie-hits (in plaats van alle hits). Dit vermindert systematische bias veroorzaakt door achterwaarts verstrooide deeltjes.
• Di-foton Scheiding:
  • In tests met twee gelijktijdige fotonen (di-photon separation) reproduceert CaloClouds3 het vermogen van Geant4 om twee nabije showers te onderscheiden, wat essentieel is voor reconstructie-algoritmen.
• Snelheid (Inference Speed):
  • CaloClouds3 is gemiddeld 6 keer sneller dan CaloClouds2.
  • Het is twee ordes van grootte (factor ~100) sneller dan Geant4.
  • De snelheidswinst is het grootst bij lagere energieën, waar CaloClouds2 nog een grote basis-tijd had door de complexiteit van de flow.

5. Betekenis en Conclusie

CaloClouds3 vertegenwoordigt een mijlpaal in de snelle simulatie van calorimeters:

• Praktische Toepasbaarheid: Het model is nu direct inzetbaar in een volledige reconstructieketen voor realistische detector-simulaties, wat de weg vrijmaakt voor het gebruik van generatieve ML in toekomstige experimenten (zoals de Higgs Factory).
• Efficiëntie: De enorme snelheidswinst (factor 100 t.o.v. Geant4) betekent dat er veel meer simulaties kunnen worden gegenereerd met dezelfde rekenkracht, of dat de CO2-voetafdruk van simulaties drastisch kan worden verlaagd.
• Architecturale Inzicht: Het artikel benadrukt dat hyperparameters die zijn ontwikkeld voor natuurlijke afbeeldingen (zoals in computer vision) niet optimaal zijn voor fysica-data. Specifieke aanpassingen voor sub-manifolds en discontinuïteiten in fysica-data zijn noodzakelijk voor succes.

Kortom, CaloClouds3 biedt een robuust, snel en nauwkeurig alternatief voor Geant4 voor hoog-granulair calorimeter-simulatie, met name geschikt voor de complexe, hoekafhankelijke omgevingen van toekomstige deeltjesversnellers.