guest ::
Deep learning and quantum generative models for high energy physics calorimeter simulations = Deep Learning und Quanten-generative Modelle für Kalorimetersimulationen in der Hochenergiephysik
2023
Dissertation, RWTH Aachen University, 2023
Veröffentlicht auf dem Publikationsserver der RWTH Aachen University
Genehmigende Fakultät
Fak01
Hauptberichter/Gutachter
;
Tag der mündlichen Prüfung/Habilitation
2023-08-25
Online
DOI: 10.18154/RWTH-2023-09302
URL: https://publications.rwth-aachen.de/record/969743/files/969743.pdf
Einrichtungen
Projekte
Inhaltliche Beschreibung (Schlagwörter)
conv2D neural networks (frei) ; full quantum GAN (frei) ; generative adversarial networks (frei) ; generative models (frei) ; quantum angle generator (frei) ; quantum image generation (frei) ; reduced precision computing (frei)
Thematische Einordnung (Klassifikation)
DDC: 530
Kurzfassung
Das Ziel dieser Dissertation ist die Erforschung von Deep Learning und Quantum Computing Ansätzen, um die Hardwareanforderungen von zukünftigen Hochenergiephysik-Detektorsimulationen zu reduzieren. In der bevorstehenden High Luminosity Phase des Large Hadron Colliders am CERN wird die Anzahl an Partikelkollisionen drastisch ansteigen. Im gleichen Maße wächst die Nachfrage nach Detektorsimulationen zur Analyse der entstehenden Kollisionsprodukte. Dies führt sowohl zu einem akuten Mangel an Rechenressourcen in Hardware als auch zu einem Mangel an effizienter Software. Daher müssen ressourcenschonende Simulationsalternativen entwickelt und neue Technologien erforscht werden. Der erste in dieser Arbeit untersuchte Ansatz sind Deep Learning Generative Adversarial Networks (GANs). Diese werden für ein zukünftiges repräsentatives Kalorimeter mit hoher Granularität entwickelt. Zur Optimierung der GAN-Modelle werden neuartige neuronale Netzwerksarchitekturen entwickelt und Zahlenformate mit niedrigeren numerischen Präzessionen angewandt. Das Ergebnis, realistische Modelle mit hoher Genauigkeit, welche mehr als fünf Größenordnungen schneller sind als die aktuell verwendete Monte-Carlo-Simulation. Der zweite Ansatz dieser Dissertation befasst sich mit dem neuartigen und sich schnell entwickelnden Gebiet des Quantum Computings für ein vereinfachtes Kalorimeter. Der erste Versuch verwendet ein von IBM zur Verfügung gestelltes Modell, welches erfolgreich angepasst und modifiziert wurde. Es handelt sich um ein hybrides Modell mit einem Quantengenerator und einem konventionellen Diskriminator. Dieses Modell erzeugt allerdings nur gemittelte Verteilungen und leidet unter zufälligen Schwankungen. Daher wurde ein neues Vollquantenmodell entwickelt, das Einzelbilder erzeugt. Das in dieser Arbeit entwickelte Modell des Quantum Angle Generators erlaubt das Erzielen von äußerst präzisen Ergebnissen. Aufgrund seiner Robustheit gegen Fehler und seines leichten Trainings kann es erfolgreich auf aktuellen fehleranfälligen Quantencomputern mit nur einer begrenzten Anzahl an Qubits ausgeführt werden. Die überlegene Repräsentationsfähigkeit von Quantenschaltkreisen im Vergleich zu klassischen neuronalen Netzen, kombiniert mit einer möglichen exponentiellen Skalierung, macht Quantum Computing zu einem vielversprechenden zukünftigen Computing-Ansatz. Diese Arbeit hat wegweisende Studien durchgeführt, die bestätigen, dass die Ansätze in dieser Dissertation eine realistische Chance haben, sich zu verwirklichen.The aim of this thesis is to explore Deep Learning and Quantum Computing approaches to reduce the challenging computing resource requirements of future High Energy Physics detector simulations while maintaining the necessary accuracy. In the forthcoming High Luminosity phase at the Large Hadron Collider at CERN, the number of collisions is increasing drastically. The demand for detector simulations to analyze the collision products is growing by the same scale. This causes an acute shortage in computing resources in both hardware and efficient software. Therefore, resource-optimizing simulation alternatives are needed, and novel technologies to be explored. In this thesis, Deep Learning Generative Adversarial Networks (GANs) are investigated as a first option to be deployed for a future representative high-granularity calorimeter. Novel neural network architectures are developed and reduced precision computing techniques applied to optimize the GAN models. The results are realistic and accurate models that are about five orders of magnitude faster than the current Monte Carlo simulation. The second study of this thesis addresses the novel and rapidly evolving field of Quantum Computing for a simplified calorimeter. The initial attempt employs a model available in the IBM software suite that has been successfully adapted and modified. It runs in a hybrid GAN mode employing a quantum generator and a conventional discriminator. However, this model learned only average distributions and suffers from fluctuations. Therefore, a new fully quantum model was designed to produce individual images. The in this thesis developed Quantum Angle Generator achieves extremely precise results. Due to its noise robustness and lightweight training, it is successfully executed on current noisy quantum devices with a limited number of qubits. The superior expressive power of quantum circuits compared to classical neural networks, combined with a potential exponential scaling, makes Quantum Computing a promising future computing approach. This thesis has pioneered and conducted studies which confirm that this potential has a realistic chance to materialize.
OpenAccess: 
PDF
(additional files)
Dokumenttyp
Dissertation / PhD Thesis
Format
online
Sprache
English
Externe Identnummern
HBZ: HT030366133
Interne Identnummern
RWTH-2023-09302
Datensatz-ID: 969743
Beteiligte Länder
Germany
