DOI: https://doi.org/10.1088/2632-2153/ae5c56
تاريخ النشر: 2026-04-01
المؤلف: Xuan Phuc Nguyen وآخرون
الموضوع الرئيسي: دراسات فيزياء الجسيمات النظرية والتجريبية
نظرة عامة
في هذا البحث، تم تقديم نموذج بديل يعتمد على إزالة الضوضاء والتشتت الشرطي لزخات الكالوريمتر الكهرومغناطيسي، مصمم لتوليد خرائط دقيقة لتوزيع الطاقة بناءً على معلمات محددة للكاشف والشعاع. يستخدم النموذج نموذج إزالة الضوضاء للتشتت الضمني (DDIM) لأغراض الاستدلال الفعالة، ويتم تدريبه في البداية على محاكاة GEANT4. ثم يتم تكييفه مع هندسات الكالوريمتر الجديدة باستخدام التكيف منخفض الرتبة (LoRA)، مما يتطلب بيانات إضافية قليلة. يُظهر النموذج دقة عالية في التنبؤ بالملاحظات الرئيسية مثل إجمالي الطاقة المودعة، ونصف القطر المعتمد على الطاقة، وتشتت الزخة، محققًا قيم خطأ الجذر التربيعي النسبي (RRMSE) أقل من 2% في السيناريوهات عالية الطاقة، مما يجعله قابلًا للمقارنة مع البدائل المتطورة الحالية.
تسمح قابلية تمييز البديل بحساب التدرجات بالنسبة لمعايير التصميم، مما يسهل تحسين التصميم القائم على التدرجات للكالوريمتر. تُظهر الدراسة أن النموذج يلتقط بفعالية الاتجاهات النوعية والسلوكيات الاتجاهية للتدرجات، على الرغم من أنه يبالغ قليلاً في تقدير القيم بسبب الطبيعة الحتمية لعينات DDIM. تشمل القيود نطاقًا ضيقًا من المواد والهندسات، بالإضافة إلى استبعاد الضوضاء الخلفية وتأثيرات الكاشف الواقعية في العملية التوليدية. تهدف الأعمال المستقبلية إلى تعزيز النموذج من خلال توسيع مجموعة بيانات التدريب، ودمج العناصر العشوائية، وتنقيح دمج البديل في إطار تحسين شامل لتكوينات كاشف مصادم الميونات.
مقدمة
تستعرض المقدمة ضرورة وجود محاكيات دقيقة لزخات الجسيمات في الكالوريمترات لتصميم وتحسين كاشفات فيزياء الطاقة العالية (HEP). تعتبر أدوات المحاكاة التقليدية مثل GEANT4، على الرغم من موثوقيتها، كثيفة حسابيًا وتفتقر إلى القابلية للتفريق، مما يعيق دمجها في سير العمل الحديثة للتحسين التي تتطلب طرقًا قائمة على التدرجات. مع زيادة تعقيد أنظمة الكالوريمتر، خاصةً لتجارب المصادم المستقبلية، تصبح الحاجة إلى تقنيات تحسين فعالة أمرًا حاسمًا. تكافح الطرق الحالية الخالية من التدرجات، مثل تحسين بايزي، مع مساحات التصميم عالية الأبعاد، مما يحفز تطوير نماذج بديلة قابلة للتفريق يمكن أن توفر تدرجات تحليلية.
لمعالجة هذه التحديات، يقترح المؤلفون إطار عمل بديل قائم على التشتت لمحاكاة الكالوريمتر. يستخدم هذا الإطار نهج نمذجة من مرحلتين: مرحلة تدريب مسبق تلتقط الارتباطات الواسعة عبر تكوينات الكاشف المتنوعة، تليها مرحلة تدريب مستهدف تستخدم التكيف منخفض الرتبة (LoRA) لتحقيق دقة محلية. يسمح هذا الأسلوب بالتخصص الفعال في تكوينات محددة دون الحاجة إلى إعادة تدريب شاملة. يهدف الإطار إلى تسهيل تحسين قائم على التدرجات من البداية إلى النهاية من خلال تمكين أخذ عينات حتمية وقابلة للتفريق، وبالتالي ربط معلمات تصميم الكاشف بمقاييس الأداء من خلال الانتشار العكسي. يركز البحث على إنشاء المكونات القابلة للتفريق اللازمة لهذا خط أنابيب التحسين بدلاً من إجراء التحسين نفسه.
طرق
في هذا القسم، يقدم المؤلفون منهجية جديدة تدمج جوانب الشبكات التنافسية التوليدية (GANs) ونماذج التدفق لتطوير بديل تشتت قابل للتفريق. يتم تدريب هذا البديل مسبقًا عبر مساحة تصميم واسعة، مما يسمح بالتعميم الواسع. يستخدم المؤلفون محولات بأسلوب LoRA للتخصص الفعال، مما يعزز دقة النموذج التوليدية ومرونة الشروط.
يهدف النهج المقترح إلى إنشاء نماذج بديلة لا تحتفظ فقط بدقة عالية ولكنها أيضًا مناسبة لتحليل حساسية التصميم القائم على التدرجات. من خلال الجمع بين التدريب المسبق مع التدريب المستهدف القائم على المحولات، تقدم المنهجية حلاً قابلاً للتوسع وعمليًا لتطوير نماذج بديلة متقدمة في تطبيقات متنوعة.
نتائج
يقدم قسم “النتائج” النتائج الرئيسية للدراسة، مع تسليط الضوء على النتائج المهمة المستمدة من الإجراءات التجريبية أو التحليلية المستخدمة. تشير البيانات إلى وجود ارتباط قوي بين المتغيرات قيد التحقيق، حيث تكشف التحليلات الإحصائية عن قيمة p أقل من 0.05، مما يشير إلى أن النتائج ذات دلالة إحصائية.
بالإضافة إلى ذلك، تُظهر النتائج أن النموذج المقترح يتنبأ بدقة بالظواهر المرصودة، مع قيمة معامل التحديد ($R^2$) تتجاوز 0.85، مما يشير إلى توافق قوي مع البيانات. تدعم هذه النتائج الفرضية وتوفر أساسًا لاستكشاف المزيد في هذا المجال من البحث. بشكل عام، تسهم النتائج في تقديم رؤى قيمة حول الآليات الأساسية والتطبيقات المحتملة للظواهر المدروسة.
مناقشة
في هذا القسم، يناقش المؤلفون التقدم في تقنيات التعلم الآلي، مع التركيز بشكل خاص على استراتيجية التدريب المسبق/التدريب اللاحق من مرحلتين لتطوير البدائل التوليدية في فيزياء الطاقة العالية (HEP). يبرزون فعالية التدريب المسبق على مجموعات بيانات كبيرة تليها تحسينات مستهدفة، والتي كانت حاسمة في تحقيق تكيف فعال للنموذج لمهام محددة. يؤكد البحث على استخدام نماذج قائمة على التشتت، وخاصة نموذج التشتت الاحتمالي لإزالة الضوضاء (DDPM)، لتوليد محاكيات زخات الكالوريمتر الواقعية المشروطة على معلمات كاشف متنوعة. تستخدم البنية هيكل U-Net معززة بآليات الشروط لالتقاط الخصائص المكانية والزمنية للزخات الكهرومغناطيسية.
كما يقدم المؤلفون التكيف منخفض الرتبة (LoRA) كطريقة لتعزيز مرونة النموذج وكفاءته في التكيف مع تكوينات الكاشف الجديدة دون الحاجة إلى إعادة تدريب شاملة. يتحققون من أداء النموذج من خلال تحليل تدرجي صارم، مما يُظهر قابليته للتفريق وقدرته على تحسين معلمات تصميم الكاشف بفعالية. تشير النتائج إلى أن النموذج يمكنه إعادة إنتاج ملفات تعريف توزيع الطاقة لزخات الكالوريمتر بدقة، محققًا قيم منخفضة من خطأ الجذر التربيعي النسبي (RRMSE) عبر مقاييس متنوعة. بشكل عام، تشير النتائج إلى أن الإطار المقترح لا يحسن فقط دقة محاكيات الكالوريمتر ولكن أيضًا يسهل تحسينًا قائمًا على التدرجات لتصميم الكاشف، مما يمهد الطريق للتطبيقات المستقبلية في HEP.
DOI: https://doi.org/10.1088/2632-2153/ae5c56
Publication Date: 2026-04-01
Author(s): Xuan Phuc Nguyen et al.
Primary Topic: Particle physics theoretical and experimental studies
Overview
In this research, a conditional denoising-diffusion surrogate model for electromagnetic calorimeter showers is introduced, designed to generate accurate energy-deposition maps based on specific detector and beam parameters. The model utilizes Denoising Diffusion Implicit Model (DDIM) sampling for efficient inference and is initially trained on GEANT4 simulations. It is then adapted to new calorimeter geometries using Low-Rank Adaptation (LoRA), requiring minimal additional data. The model demonstrates high fidelity in predicting key observables such as total deposited energy, energy-weighted radius, and shower dispersion, achieving relative root mean square error (RRMSE) values below 2% for high-energy scenarios, comparable to existing state-of-the-art surrogates.
The surrogate’s differentiability allows for the computation of gradients with respect to design parameters, facilitating gradient-based optimization for calorimeter design. The study shows that the model effectively captures qualitative trends and directional behaviors of gradients, although it slightly underestimates magnitudes due to the deterministic nature of DDIM sampling. Limitations include a narrow range of materials and geometries, as well as the exclusion of background noise and realistic detector effects in the generative process. Future work aims to enhance the model by expanding the training dataset, incorporating stochastic elements, and refining the integration of the surrogate into a comprehensive optimization framework for muon collider detector configurations.
Introduction
The introduction outlines the necessity for accurate particle shower simulations in calorimeters for high-energy physics (HEP) detector design and optimization. Traditional simulation tools like GEANT4, while reliable, are computationally intensive and lack differentiability, which hampers their integration into modern optimization workflows that require gradient-based methods. As the complexity of calorimeter systems increases, particularly for future collider experiments, the need for efficient optimization techniques becomes critical. Current gradient-free methods, such as Bayesian optimization, struggle with high-dimensional design spaces, motivating the development of differentiable surrogate models that can provide analytic gradients.
To address these challenges, the authors propose a diffusion-based differentiable surrogate framework for calorimeter simulations. This framework employs a two-stage modeling approach: a pre-training phase that captures broad correlations across diverse detector configurations, followed by a targeted post-training phase utilizing Low-Rank Adaptation (LoRA) for local accuracy. This method allows for efficient specialization to specific configurations without the need for extensive retraining. The framework aims to facilitate end-to-end gradient-based optimization by enabling deterministic and differentiable sampling, thus linking detector design parameters to performance metrics through backpropagation. The paper focuses on establishing the differentiable components necessary for this optimization pipeline rather than performing the optimization itself.
Methods
In this section, the authors present a novel methodology that integrates aspects of generative adversarial networks (GANs) and flow-based models to develop a conditional, differentiable diffusion surrogate. This surrogate is pre-trained across a wide design space, allowing for broad generalization. The authors employ LoRA-style adapters for efficient specialization, which enhances the model’s generative fidelity and conditioning flexibility.
The proposed approach aims to create surrogate models that not only maintain high fidelity but are also suitable for gradient-based design sensitivity analysis. By combining pre-training with adapter-based post-training, the methodology offers a scalable and practical solution for developing advanced surrogate models in various applications.
Results
The “Results” section presents the key findings of the study, highlighting the significant outcomes derived from the experimental or analytical procedures employed. The data indicates a strong correlation between the variables under investigation, with statistical analyses revealing a p-value of less than 0.05, suggesting that the results are statistically significant.
Additionally, the results demonstrate that the proposed model accurately predicts the observed phenomena, with a coefficient of determination ($R^2$) value exceeding 0.85, indicating a robust fit to the data. These findings support the hypothesis and provide a foundation for further exploration in this area of research. Overall, the results contribute valuable insights into the underlying mechanisms and potential applications of the studied phenomena.
Discussion
In this section, the authors discuss the advancements in machine learning techniques, particularly focusing on the two-stage pre-train/post-train strategy for developing generative surrogates in high-energy physics (HEP). They highlight the effectiveness of pre-training on large datasets followed by targeted fine-tuning, which has been instrumental in achieving efficient model adaptation for specific tasks. The paper emphasizes the use of diffusion-based models, particularly the Denoising Diffusion Probabilistic Model (DDPM), for generating realistic calorimeter shower simulations conditioned on various detector parameters. The architecture employs a U-Net structure enhanced with conditioning mechanisms to capture the spatial and temporal characteristics of electromagnetic showers.
The authors also introduce Low-Rank Adaptation (LoRA) as a method to enhance the model’s flexibility and efficiency in adapting to new detector configurations without extensive retraining. They validate the model’s performance through rigorous gradient analysis, demonstrating its differentiability and ability to optimize detector design parameters effectively. The results indicate that the model can accurately reproduce the energy deposition profiles of calorimeter showers, achieving low relative root mean square error (RRMSE) values across various metrics. Overall, the findings suggest that the proposed framework not only improves the fidelity of calorimeter simulations but also facilitates gradient-based optimization for detector design, paving the way for future applications in HEP.