Estimación de incertidumbre de redes generativas antagónicas (GAN) para simular datos del detector de partículas del Cherenkov de imágenes de anillo (RICH)

Abstract

Como parte del experimento del Large Hadron Collider Beauty (LHCb) simulaciones precisas de colisiones de partículas se vuelven necesarias para la planificación y exploración de configuraciones, lo cual permite ahorrar tiempo y recursos al momento de realizar el experimento. Existen simulaciones utilizando redes neuronales generativas adversariales de Cramer (Cramer GAN) siendo desarrolladas para simular la salida del detector de Ring-Imaging Cherenkov (RICH). El determinar si estas simulaciones son confiables o no es un problema complejo, para el cual no existe un estándar definido, por lo que se propone el uso de un nuevo método llamado Feature Densities que permita estimar el nivel de incertidumbre del modelo. Se quiere probar que dicho método ofrece mejoras significativas, tanto a nivel de rendimiento como de precisión, al compararlo con el método de Monte Carlo Dropout, el cual es ampliamente utilizado como el estado del arte.

As part of the Large Hadron Collider Beauty (LHCb) experiment, accurate simulations of particle collisions become necessary for the planning and exploration of configurations, which saves time and resources when performing the experiment. There are simulations using Cramer adversarial generative neural networks (Cramer GAN) being developed to simulate the output of the Ring-Imaging Cherenkov detector (RICH). Determining whether these simulations are reliable or not is a complex problem, for which there is no defined standard, so it is proposed to use a new method called Feature Densities to estimate the level of uncertainty of the model. The aim is to prove that this method offers significant improvements, both in terms of performance and accuracy, when compared to the Monte Carlo Dropout method, which is widely used as the state-of-the-art.