Nazwa Projektu: Generatywna sztuczna inteligencja w symulacjach Monte Carlo eksperymentu LHCb Upgrade II
Akronim Projektu: MINIATURA 9
Budżet Projektu: 45 899 PLN
Czas trwania projektu: 13.11.2025 - 12.11.2026
Kierownik Projektu: dr Michał Mazurek

Opis Projektu:

Wyniki eksperymentów w fizyce wysokich energii opierają się na symulacjach, które służą do interpretacji danych,
optymalizacji konstrukcji detektorów oraz testowania różnych modeli teoretycznych. Tradycyjnie symulacje wykorzystują
generatory zdarzeń Monte Carlo (MC) oraz modele oddziaływań cząstek z materią w detektorach. Metody te, choć
skuteczne, są bardzo kosztowne obliczeniowo, szczególnie w obliczu rosnącej złożoności eksperymentów. W szczególności
propagacja kaskad elektromagnetycznych w kalorymetrach należy do najbardziej czasochłonnych zadań obliczeniowych.
Dlatego kluczowe jest włączenie szybkich i dokładnych modeli opartych na uczeniu maszynowym, aby zapewnić
wystarczającą liczbę próbek symulacyjnych dla danych produkowanych przez eksperyment. Tradycyjne symulacje w Geant4
nie są wystarczająco skalowalne, aby sprostać temu wyzwaniu.

Wstępne wyniki uzyskane przy użyciu małych modeli w eksperymencie LHCb pokazują, że szybka symulacja oparta na
modelach uczenia maszynowego, zastosowana do kalorymetru elektromagnetycznego, może przyspieszyć symulację
fotonów i elektronów nawet 400-krotnie, utrzymując różnicę w zrekonstruowanej energii poniżej 0,01%. Wstępna walidacja
fizyczna na reprezentatywnych kanałach rozpadów w LHCb wykazała stosunkowo dobrą zgodność między symulacją opartą
na uczeniu maszynowym a symulacją Geant4, jednak zaobserwowano pewne różnice w rozdzielczości masy, które są
związane z ograniczoną zdolnością uczenia zastosowanego modelu. Proste modele mają trudności z dokładnym
odwzorowaniem subtelnych zmian kształtu kaskad, co wpływa na precyzję rekonstrukcji masy.

Głównym celem tego projektu jest przezwyciężenie ograniczeń związanych z efektywnością obliczeniową i precyzją
rekonstrukcji oraz dalsze zwiększenie wydajności szybkiej symulacji poprzez zastosowanie bardziej zaawansowanych
architektur, takich jak Diffusion Transformer (DiT). Implementacja i szczegółowa walidacja fizyczna zostaną przeprowadzone
w odniesieniu do obecnej geometrii Run 3, a także wstępnej geometrii Upgrade 2, która stała się dostępna w 2025 roku.
Upgrade 2 przyniesie zwiększoną świetlność oraz udoskonalony układ detektora, co wymaga stworzenia elastycznego
środowiska symulacyjnego dostosowanego do tych zmian. Implementacja będzie oparta na konfiguracji CaloChallenge.