Быстрая симуляция трекера в эксперименте MPD на ускорительном комплексе NICA с помощью генеративных нейросетевых моделей

В физике высоких энергий для проведения эксперимента требуется сложное и дорогостоящее оборудование. Поэтому полезно иметь возможность быстрого моделирования. Существуют симуляции, основанные на точной реконструкции событий, такие как Geant4 (GEomentry And Tracking), которая использует методы Монте-Карло. Однако, такие симуляции сложны и медленны, поэтому не могут быть использованы в приложениях, работающих в реальном времени. В предыдущих работах методы машинного обучения уже показали способность генерировать отклик детектора частиц. Общая идея заключается в том, чтобы рассматривать эти отклики как выборки из многомерного распределения и учиться генерировать выборку из этого распределения. Поскольку наши данные структурированы в виде двумерных матриц, мы можем рассматривать это как задачу генерации изображений. Для решения таких задач хорошо подходят GANs, которые учатся преобразовывать некоторое простое распределение в распределение цели. Предыдущие работы показали, что GANs способны достичь высокого качества генерации для этой задачи и потенциально намного быстрее, чем точные методы реконструкции событий. В данной работе мы изучаем такие модели для TPC детектора в MPD эксперименте комплекса NICA и пытаемся оптимизировать их без потери качества. Скорость моделирования критична, поскольку обратная задача решается с помощью простых итерационных методов. Более конкретно, генерация производится для множества различных входных параметров, и параметры, соответствующие сгенерированным сигналам, которые наиболее близки к реальным, выбираются в качестве решения обратной задачи. Поскольку наша проблема не является простой генерацией изображений, не существует естественной метрики для оценки результатов. Поэтому в данной работе мы вводим собственную метрику и пытаемся её обосновать. В итоге мы получаем достаточно быструю генеративную модель с удовлетворительными значениями метрик качества.