Ускорение генеративных моделей для симуляции выходов черенковских детекторов

Современные эксперименты на Большом Адронном Коллайдере требуют большого количества симулированных данных, необходимых для поиска отклонений от Стандартной модели физики элементарых частиц. На создание таких данных уходит много процессорного времени и ресурсов в целом. Симуляция данных на коллайдере производится с помощью вычислительно затратных физически мотивированных моделей. Важнейшей частью детектора LHCb, одного из четырёх основных экспериментов БАК, является черенковский детектор. Физическая симуляция этого детектора осложнена необходимостью учитывать распространение каждого фотона в веществе, что приводит к длительному времени симуляции. Новый метод предлагает использовать вместо таких моделей генеративно-состязательные нейронные сети. С его помощью достигается сравнимое качество симуляции, при этом значительно снижается время, затраченное на вычисление одного события, по сравнению с существующими методами. Эта работа нацелена на дальнейшее улучшение нового подхода. Ключевая идея - использование техники дистилляции знаний для снижения сложности и ускорения генерации событий нейронными сетями. Дистилляция была применена к сети для этой задачи.