Development of a tree-based model for the fast generation of large point clouds representing particle showers in calorimeters

Scham, Moritz Alfons Wilhelm; Borras, Kerstin; Krämer, Michael; Kasieczka, Gregor

doi:HT030954809

Development of a tree-based model for the fast generation of large point clouds representing particle showers in calorimeters

Scham, Moritz Alfons Wilhelm^RWTH*

2025

Verantwortlichkeitsangabevorgelegt von Moritz Alfons Wilhelm Scham, M. Sc

ImpressumAachen : RWTH Aachen University 2025

Umfang1 Online-Ressource : Illustrationen

Dissertation, RWTH Aachen University, 2025

Veröffentlicht auf dem Publikationsserver der RWTH Aachen University

Genehmigende Fakultät
Fak01

Hauptberichter/Gutachter
Borras, Kerstin (Thesis advisor)^RWTH* ; Krämer, Michael (Thesis advisor)^RWTH* ; Kasieczka, Gregor (Thesis advisor)

Tag der mündlichen Prüfung/Habilitation
2025-01-17

Online
DOI: 10.18154/RWTH-2025-01456
URL: https://publications.rwth-aachen.de/record/1004474/files/1004474.pdf

Einrichtungen

Projekte

Inhaltliche Beschreibung (Schlagwörter)
calorimeters (frei) ; generative adversarial networks (frei) ; generative models (frei) ; point clouds (frei)

Thematische Einordnung (Klassifikation)
DDC: 530

Kurzfassung
In der Hochenergiephysik sind detaillierte und zeitaufwändige Simulationen erforderlich, um Teilchenschauer in Kalorimetern zu beschreiben. Diese Teilchenschauer werden als Energiedepots („Hits“) in den Zellen des Detektors aufgezeichnet. Um den Rechenaufwand für solche Simulationen zu verringern, werden intensiv Ersatzmodelle gesucht. In dieser Arbeit werden Generative Adversarial Networks (GANs) als ein schneller und flexibler Ansatz untersucht. Wenn die Zellen des Detektors durch ein regelmäßiges Gitter dargestellt werden könnten, würde ein GAN-Modell normalerweise (De-)Convolutions verwenden, um die Anzahl der Voxel zu erhöhen/verringern. Aufgrund der oft unregelmäßigen Geometrie moderner hochgranularer Kalorimeter und des geringen Anteils von Zellen mit einem Hit in solchen Detektoren ist eine Gitterdarstellung jedoch oft nicht praktikabel. Durch die Darstellung der Schauer als Punktwolke (PC), d. h. als eine Menge von reellen Vektoren, können diese Probleme gelöst werden. In PC müssen die komplexen Abhängigkeiten zwischen den Punkten korrekt modelliert werden. Teilchenschauer sind von Natur aus baumartige Prozesse, da jedes Teilchen durch den Zerfall oder die Detektorwechselwirkung eines Teilchens der vorherigen Generation erzeugt wird. Mit dieser induktiven Bias wurde ein GAN entwickelt, das solche PCs mit einer Baumstruktur erzeugt. Für dieses Modell wurden zahlreiche neue Komponenten für Graphische Neuronale Netze (GNNs) entwickelt, die eine Aufwärts-/Abwärtsskalierung von PCs ermöglichen. Dieses Modell wird auf zwei beliebte Benchmark-Datensätze angewendet, die beide als PCs dargestellt werden können: JetNet, ein Datensatz mit Jet-Komponenten, und CaloChallenge, ein Datensatz mit Teilchenschauer in Kalorimetern. Das neue Modell erreicht in beiden Datensätzen eine gute Wiedergabetreue.

In High-Energy Physics, detailed and time-consuming simulations are needed to describe particle showers in calorimeters. These particle showers are recorded as energy deposits (hits) in the cells of the detector. To mitigate the computational demands of such simulations, surrogate models are widely studied. In this thesis, Generative Adversarial Networks (GANs) are investigated as a fast and flexible approach. If the cells of the detector could be represented by a regular grid, a GAN model would usually use (De-)Convolution layers to up/down-scale the number of voxels. However, due to the often irregular geometry in modern high-granular calorimeters and the small fraction of cells with a hit in such detectors, a grid representation is often not feasible. By representing the shower as a point cloud (PC), i. e. , a set of real vectors, these issues can be addressed. In PCs, the complex dependencies between the points must be correctly modeled. Particle showers are inherently tree-like processes, as each particle is produced by the decay or the detector interaction of a particle of the previous generation. With this inductive bias, a GAN has been developed, that generates such PCs in a tree-based manner. For this model, numerous new components for Graph Neural Networks (GNNs) have been developed that allow up/down-scaling of PCs. This model is applied to two popular benchmark datasets, which both can be represented as PCs: JetNet, a dataset containing jet constituents, and CaloChallenge, a dataset containing particle showers in calorimeters. The novel model achieves a good fidelity on both datasets.

OpenAccess:
PDF
(additional files)