⚛️ high-energy experiments

Parnassus: A GPU-enabled, Python-based Package for Fast Particle Detector Simulation and Reconstruction

Het artikel introduceert Parnassus, een publiek, door GPU's ondersteund Python/PyTorch-framework dat snelle, uitwisselbare detector-simulatie- en reconstructiemodellen biedt voor diverse deeltjesfysica-experimenten, en daarmee een ROOT-vrij alternatief biedt voor traditionele tools zoals Geant4 en Delphes.

Oorspronkelijke auteurs: Abdelrahman Elabd, Eilam Gross, Dmitrii Kobylianskii, Benjamin Nachman

Gepubliceerd 2026-06-25

📖 5 min leestijd🧠 Diepgaand

CC BY 4.0

Oorspronkelijke auteurs: Abdelrahman Elabd, Eilam Gross, Dmitrii Kobylianskii, Benjamin Nachman

Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer

Stel je voor dat je probeert te voorspellen hoe een complex apparaat, zoals een deeltjesdetector in een gigantisch natuurkundelab, precies zal reageren wanneer een subatomair deeltje ertegenaan botst.

In de echte wereld gebruiken wetenschappers een supergedetailleerd, supertraag computerprogramma genaamd Geant4 om dit te simuleren. Denk aan Geant4 als een high-definition, 4K-filmcamera die elke regendruppel, elke windvlaag en elk vallend blaadje tijdens een storm vastlegt. Het is ongelooflijk nauwkeurig, maar het duurt zo lang om slechts één "storm" (een deeltjesbotsing) te renderen, dat het uren kan duren. Als je miljoenen stormen wilt bestuderen, heb je een supercomputerfarm nodig die jarenlang moet draaien.

Parnassus is een nieuwe tool die werkt als een slimme, instant weersverwachting. In plaats van elke regendruppel afzonderlijk te filmen, gebruikt het een "shortcut" om het eindresultaat van de storm bijna direct te voorspellen.

Hier legt het artikel dit hulpmiddel in eenvoudige termen uit:

1. De "Magische Vertaler" (Het Kernidee)

Parnassus is een softwarepakket dat "Waarheid" (wat de deeltjes zouden moeten doen in een perfect vacuüm) direct vertaalt naar "Realiteit" (wat de detector daadwerkelijk ziet na de chaos van de botsing).

De Oude Manier: Je bouwt een volledige schaalmodel van de detector, simuleert het deeltje dat ertegenaan botst, volgt elke stuiter en meet vervolgens het resultaat. (Traag, zoals een echt huis bouwen om te zien hoe het eruit ziet in de regen).
De Parnassus-Manier: Je voert het "bouwplan" van het deeltje in, en het spuugt direct het "afgewerkte huis" uit, waarbij de regenschade al is berekend. (Snel, zoals een AI gebruiken om een foto van het huis in de regen te genereren).

2. Twee Verschillende "Shortcuts"

Het artikel zegt dat Parnassus twee verschillende soorten shortcuts (genaamd "backends") biedt om deze vertaling te doen:

De "AI-Kunstenaar" (Neurale Modellen): Dit maakt gebruik van een type kunstmatige intelligentie genaamd "Flow Matching". Stel je een kunstenaar voor die miljoenen foto's heeft bestudeerd van hoe deeltjes eruitzien nadat ze een detector hebben geraakt. Wanneer je deze kunstenaar een nieuw deeltje laat zien, schildert hij direct een plaatje van wat de detector zou zien. Dit is ongelooflijk snel en draait op krachtige grafische kaarten (GPU's), die dezelfde chips zijn als die gebruikt worden voor gaming.
De "Wiskundige Calculator" (TorchDelphes): Dit is een herschreven versie van een oudere tool genaamd Delphes, maar volledig gebouwd in Python (een populaire programmeertaal), zodat het ook op die snelle grafische kaarten kan draaien. Het gebruikt wiskundige formules om de schade te schatten, vergelijkbaar met hoe een weerman formules gebruikt om een storm te voorspellen.

3. De "Universele Adapter"

Een van de coolste functies van Parnassus is dat het niet uitmaakt welke detector je simuleert.

Denk aan de detectorinstellingen als "Kaarten" (zoals een kaartspel).
Als je de CMS-detector wilt simuleren (gebruikt bij CERN), kies je de "CMS-kaart".
Als je de ATLAS- of ALEPH-detectoren wilt simuleren, vervang je gewoon de kaart.
De Magie: Je hoeft de AI niet opnieuw te trainen of de code te herschrijven. Je vervangt gewoon de kaart, en hetzelfde hulpmiddel werkt voor de nieuwe detector. Het is als een universele afstandsbediening die werkt voor je tv, je stereo en je airconditioning, simpelweg door op een andere knop te drukken.

4. Waarom dit Belangrijk is (De "Snelheidsboost")

Het artikel benadrukt dat Parnassus GPU-enabled is.

Oude Tools: Draaiden op standaard computerprocessors (CPU's), die lijken op een enkele chef die een maaltijd bereidt. Ze zijn goed, maar traag.
Parnassus: Draait op Graphics Processing Units (GPU's), die lijken op een keuken met 10.000 chefs die tegelijkertijd werken.
Het Resultaat: Het artikel laat zien dat Parnassus veel sneller gebeurtenissen (simulaties) kan verwerken dan de oude methoden, vooral bij het gebruik van het AI-model. Het kan duizenden simulaties afhandelen in de tijd die het vroeger kostte om er slechts een paar te doen.

5. Wat het Wel en Niet Doet

Het artikel is zeer specifiek over waar dit hulpmiddel voor dient:

Het doet: Simuleren hoe een detector deeltjes ziet, ze groeperen in "jets" (clusters van deeltjes) en zaken zoals energie en richting berekenen. Het produceert bestanden die wetenschappers direct kunnen gebruiken.
Het doet niet: Het vervangt de noodzaak voor de echte, trage simulaties niet volledig. De AI-modellen werden getraind op data van de echte, trage simulaties om te leren hoe ze deze kunnen nabootsen.
Het doet niet: Het is geen medisch hulpmiddel of een tool om het weer op aarde te voorspellen. Het is strikt bedoeld voor hogenergetische fysica (het bestuderen van de kleinste bouwstenen van het universum).

Samenvattende Analogie

Stel je voor dat je een filmregisseur bent.

Geant4 is als het inhuren van 10.000 figuranten, het bouwen van een echte stad en het filmen van een scène in realtime. Het is perfect, maar het duurt een maand.
Parnassus is als het gebruiken van een krachtige AI om diezelfde scène in 5 seconden te genereren. Het ziet er voor 99% hetzelfde uit, maar je kunt 1.000 verschillende versies van de scène maken in de tijd die het vroeger kostte om er één te maken.

Het artikel presenteert Parnassus als een gratis, open-source tool die natuurkundigen in staat stelt om deze "instant simulaties" op hun eigen computers uit te voeren zonder dat ze complexe, ouderwetse software hoeven te installeren, waardoor het bestuderen van het universum veel sneller en toegankelijker wordt.

Technische Samenvatting van Parnassus

Probleemstelling
Volledige detector-simulatie en reconstructie in de deeltjes- en kernfysica, doorgaans gebaseerd op Geant4, is computationeel duur. Dit proces vormt vaak de dominante factor in de computerbudgetten van grootschalige experimenten en kan een belemmering vormen voor individuele onderzoekers of grootschalige verkennende studies. Er is een kritieke behoefte aan een snelle, nauwkeurige surrogaat die truth-level (generator-niveau) deeltjes direct koppelt aan detector-niveau gereconstrueerde deeltjes. Een dergelijk instrument moet de getrouwheid van de volledige simulatieketen behouden terwijl het snelheidsverbeteringen van orders van grootte biedt, bij voorkeur zonder de installatie van legacy C++ frameworks zoals ROOT of Delphes te vereisen.

Methodologie
Parnassus is een Python/PyTorch-gebaseerd, GPU-compatibel framework dat ontwor-designed is om deze uitdagingen aan te pakken. Het biedt een uniforme, proces-agnostische en detector-agnostische API waarbij gebruikers een "detector card" kunnen selecteren (analoog aan Delphes cards) om specifieke experimenten te targeten. Het framework stuurt truth-level events door een van de twee uitwisselbare backends, die beide particle-flow (PFlow) objecten produceren voor downstream physics-gebaseerde post-processing (bijv. jet clustering via FastJet, lepton isolatie).

De twee primaire backend-typen zijn:

Neurale Backends: Deze maken gebruik van conditional flow matching architecturen die getraind zijn op full simulation en reconstructie data. De modellen zijn geconditioneerd op truth-level deeltjeseigenschappen, waardoor ze de detectorrespons kunnen leren zonder gebonden te zijn aan een specifiek fysica-proces. Dit maakt proces-niveau generalisatie mogelijk, inclusief out-of-distribution scenario's, zonder hertraining. De huidige release bevat flow-matching modellen voor de CMS (2011) en ALEPH detectoren.
Parametrische Backend (TorchDelphes): Dit is een pure PyTorch re-implementatie van de Delphes fast-simulation keten, die natief op de GPU draait. Het modelleert deeltjespropagatie, tracking efficiëntie, momentum smearing, calorimeter respons en energy-flow merging met behulp van parameters die geladen worden uit detector cards. Deze release bevat TorchDelphes cards voor CMS, ATLAS en ALEPH, gevalideerd tegenover C++ Delphes 3.5.1.

Het framework verwerkt input van HepMC bestanden of Pythia8 steering cards. Het ondersteunt optionele pile-up merging (met een Delphes-compatibele merger voor de parametrische backend) en bevat post-processing pipelines voor deeltjesfiltering, jet clustering (ondersteuning voor $k_T$ , anti- $k_T$ , en Cambridge/Aachen algoritmen), en lepton isolatie. De output wordt geschreven naar ROOT formaat via de uproot library, waardoor een native ROOT installatie overbodig wordt.

Belangrijkste Bijdragen

Publieke Software Release: Het artikel presenteert de initiële publieke release van Parnassus, die een gebruiksvriendelijke interface biedt voor snelle simulatie en reconstructie.
Hybride Backend Architectuur: Het framework verenigt generatieve neurale modellen en parametrische re-implementaties onder een enkele API, waardoor gebruikers kunnen schakelen tussen high-fidelity geleerde modellen en snelle parametrische benaderingen zonder de analyse workflow te wijzigen.
GPU-Native Implementatie: In tegen tegenover traditionele C++/ROOT tools, maakt Parnassus gebruik van PyTorch om GPU-acceleratie mogelijk te maken, wat de verwerking van events aanzienlijk versnelt.
Reductie van Afhankelijkheden: De software elimineert de afhankelijkheid van het handmatig bouwen van C++ Delphes, ROOT, Pythia8 of FastJet; deze worden geïnstalleerd als Python package dependencies.
Uitgebreide Detector Ondersteuning: De release bevat gevalideerde modellen voor de CMS en ALEPH detectoren (neuraal) en parametrische cards voor CMS, ATLAS en ALEF, waarmee het framework wordt uitgebreid naar de $e^+e^-$ LEP omgeving.

Resultaten

Performance Benchmarks: In benchmarks met behulp van $H \to ZZ \to 4\ell$ events, bereikte de TorchDelphes backend een throughput van 86.9 events/s op een NVIDIA RTX A6000 GPU, vergeleken met 80.6 events/s voor C++ Delphes 3.5.1 op een CPU. Het neurale flow model bereikte 17.5 events/s op dezelfde GPU. De auteurs merken op dat de neurale backend niet geoptimaliseerd is voor snelheid in deze release en dat de huidige snelheden waarschijnlijk niet de limiterende factor zullen zijn voor de meeste toepassingen.
Validatie: De TorchDelphes backend werd gevalideerd tegenover C++ Delphes 3.5.1 voor CMS en ATLAS cards. De validatie en proces-generalisatie capaciteiten van de neurale modellen werden vastgesteld in eerdere werken (Refs. [2, 11]), die aantoonden dat de aanpak de full CMS simulatie reproduceert over een breed scala aan Standard Model processen.
Demonstratie: Het artikel demonstreert het vermogen van het framework op zowel Standard Model ( $H \to ZZ \to 4\ell$ ) als Beyond Standard Model ( $H \to aa \to gg\mu\mu$ ) processen. De resultaten laten zien dat dezelfde workflow kwalitatief verschillende final states kan afhandelen, waarbij zichtbare topologieën en resonantie structuren (bijv. het onderscheiden van hadronische activiteit van lepton-achtige objecten in BSM scenario's) correct worden gereconstrueerd.

Betekenis
Het artikel positioneert Parnassus als een modern alternatief voor traditionele fast simulation tools, specifiek gericht op de computationele bottlenecks van Geant4 en de legacy beperkingen van C++/ROOT-gebaseerde workflows. Door een GPU-gecapaciteerde, Python-native interface te bieden, maakt het een naadloze integratie in moderne analyse pipelines mogelijk. De auteurs benadrukken dat het framework onderzoekers in staat stelt om dezelfde detector modellen toe te passen op nieuwe fysica processen zonder hertraining, mits de inputs binnen de gevalideerde fase-ruimte vallen. De release heeft tot doel de bredere gemeenschap te stimuleren om neurale fast simulatie en reconstructie te adopteren, met toekomstige releases gepland om de bibliotheek van detector cards en gevalideerde configuraties uit te breiden.