Use of Deep Learning generative models for Monte Carlo event simulation in the context of LHC experiments

Abstract

[EN] The Standard Model, which is currently the most accepted physics theoretical framework, presents certain deficiencies and lacks an explanation for some fundamental aspects of the behavior of matter. Project ATLAS, among others, was created to solve those questions. This project was designed to make the most of the capabilities of the Large Hadron Collider while looking for signals of the so-called Physics Beyond the Standard Model. These kinds of signals are an extension of the current model that should be able to explain the current unknowns. Comparing real data, obtained from experimentation, with simulated data, coming from theoretical models, it is possible to determine if those signals have been found, validating the discovery of new events. Because data simulation with traditional models is temporally and computationally very demanding, we try to use generative models with a lower cost that allow generating simulated Monte Carlo events with a similar quality, making the design of detectors and the discovery of Physics Beyond the Standard Model easier. In this work, we propose the use of generative models based on Deep Learning as fast Monte Carlo event generators and detector simulators in the LHC context, reducing the time and energy cost of currently used methods, and making it easier to obtain a complete and detailed estimation of systematic errors. In particular, we explore several New Physics scenarios and compare the performance of existing state-of-the-art techniques.

[ES] El Modelo Estándar, que es el marco teórico físico más aceptado en la actualidad, presenta ciertas deficiencias y carece de explicación para algunas cuestiones fundamentales sobre el comportamiento de la materia. El proyecto ATLAS, entre otros, se creó para resolver estas cuestiones. Este proyecto fue diseñado para aprovechar al máximo el potencial del Large Hadron Collider en la búsqueda de señales de la denominada Nueva Física. Estos tipos de señales se tratan de una extensión del actual modelo que permitirían explicar las incógnitas presentes en la actualidad. Comparando datos reales, obtenidos en base a la experimentación, con datos simulados, procedentes de modelos teóricos, es posible determinar si se han encontrado dichas señales, validando así el descubrimiento de nuevos sucesos. Debido a que la simulación de datos con los métodos tradicionales es temporal y computacionalmente muy costosa, tratamos de utilizar modelos generativos con un coste inferior que permitan generar eventos de Monte Carlo simulados de una calidad similar, facilitando así el diseño de detectores y el descubrimiento de Nueva Física. En este trabajo, proponemos utilizar modelos generativos basados en Deep Learning como generadores rápidos de eventos de Monte Carlo y simuladores de detectores en el contexto del LHC, reduciendo el coste temporal y energético de los métodos utilizados en la actualidad, y facilitando una estimación completa y detallada de errores sistemáticos. En particular, exploramos diferentes escenarios de Nueva Física y comparamos el rendimiento de técnicas que pertenecen al actual estado del arte.

[CA] El Model Estàndard, que és el marc teòric físic més acceptat en l’actualitat, presenta certes deficiències i manca d’explicació per a algunes qüestions fonamentals sobre el comportament de la matèria. Per a resoldre aquestes qüestions es va crear, entre d’altres, el projecte ATLAS: dissenyat per a aprofitar al màxim el potencial del Large Hadron Collider en cerca de senyals de la denominada Nova Física. Aquests tipus de senyals es tracten d’una extensió de l’actual model que permetrien explicar les incògnites presents en l’actualitat. Comparant dades reals, obtingudes a partir de l’experimentació, amb dades simulades, procedents de models teòrics, és possible determinar si s’han trobat aquests senyals, validant així el descobriment de nous successos. Com què la simulació de dades amb els mètodes tradicionals és temporalment i computacionalment molt costosa, nosaltres tractem d’utilitzar mètodes generatius amb un cost inferior que permeten generar esdeveniments de Monte Carlo simulats d’una qualitat similar, facilitant així el disseny de detectors i el descobriment de Nova Física. En aquest treball, proposem utilitzar models generatius basats en Deep Learning com generadors ràpids d’esdeveniments de Monte Carlo i simuladors de detectors en el context del LHC, reduint el cost temporal i energètic dels mètodes actuals, i facilitant una estimació completa i detallada d’errors sistemàtics. En particular, explorem diferents escenaris de Nova Física i comparem el rendiment de les actuals tècniques que pertanyen a l’estat de l’art.