Simulación de eventos de turboalimentación de ATLAS – CERN Courier

A medida que aumenta la recopilación de datos de los experimentos del LHC, también aumenta el número necesario de colisiones simuladas. Esta es una tarea que requiere muchos recursos, ya que se deben rastrear cientos de partículas a través de complejas geometrías de detectores para cada colisión física simulada, y las estadísticas de Monte Carlo generalmente deben exceder las estadísticas experimentales en un factor de 10 o más, para reducir las incertidumbres al comparar las distribuciones medidas con las teóricas. predicciones Para respaldar la toma de datos en la ejecución 3 (2022-2025), la colaboración ATLAS ha desarrollado, evaluado e implementado una amplia gama de mejoras detalladas en su software de simulación de detectores.

La producción de datos de simulación comienza con la generación de partículas producidas en el Gran Colisionador de Hadrones (LHC) entre protones y protones o colisiones de iones pesados, seguido de la simulación de su propagación a través del detector y el modelado de señales electrónicas de las capas de detección activas. Se incurre en importantes recursos computacionales cuando hadrones, fotones y electrones ingresan a calorímetros electromagnéticos y producen lluvias que contienen muchas partículas secundarias cuyas trayectorias e interacciones con el material del detector deben calcularse. La compleja geometría de acordeón del calorímetro electromagnético ATLAS hace que la simulación de Geant4 del desarrollo de lluvias en el régimen calorimétrico sea particularmente intensiva desde el punto de vista computacional, representando aproximadamente el 80% del tiempo total de simulación para un evento de colisión típico.

Dado que la informática cuesta dinero y consume energía eléctrica, es muy deseable acelerar la simulación de colisiones sin comprometer la precisión. Por ejemplo, anteriormente se gastaban importantes recursos de CPU en el transporte de fotones y neutrones; Esto se mitigó eliminando aleatoriamente el 90% de los fotones (neutrones) con energía inferior a 0,5 (2) MeV y aumentando la energía depositada del 10% restante de partículas de baja energía. La simulación de los fotones en el calorímetro electromagnético segmentado con precisión llevó mucho tiempo porque las probabilidades de cada posible proceso de interacción se calculaban cada vez que los fotones cruzaban la frontera material. El tiempo de cálculo se reduce significativamente mediante el uso de una geometría uniforme sin límites de transferencia de fotones y mediante la localización de las interacciones simuladas utilizando la relación de secciones transversales en las diferentes capas de material. El efecto combinado de las mejoras aumenta la velocidad promedio aproximadamente dos veces.

ATLAS también ha utilizado con éxito algoritmos de simulación rápidos para aprovechar los recursos computacionales disponibles. La simulación rápida tiene como objetivo evitar la costosa simulación Geant4 de lluvias calorimétricas mediante el uso de modelos con parámetros que son significativamente más rápidos y conservan la mayor parte del rendimiento físico de simulaciones más detalladas. Sin embargo, una limitación importante de la simulación rápida utilizada por ATLAS durante la ejecución 2 fue el modelado inexacto de fenómenos físicos observables, como la descripción detallada de la subestructura del chorro reconstruida utilizando algoritmos de agrupamiento de radio grande.

AtlFast3 ofrece simulaciones físicas rápidas y de alta resolución

Para Run 3, ATLAS ha desarrollado un kit de herramientas de simulación rápida completamente rediseñado, conocido como AtlFast3, que simula todo el detector ATLAS. Mientras que los sistemas de seguimiento se siguen simulando utilizando Geant4, la respuesta energética en los calorímetros se simula mediante un enfoque híbrido que combina dos nuevas herramientas: FastCaloSim y FastCaloGAN.

FastCaloSim mide la evolución longitudinal y lateral de lluvias electromagnéticas y de hadrones, mientras que la respuesta energética simulada de FastCaloGAN se basa en redes neuronales generativas adversarias entrenadas en lluvias Geant4 previamente simuladas. AtlFast3 combina eficazmente los puntos fuertes de ambos enfoques al seleccionar el algoritmo más apropiado en función de las propiedades de las partículas que inician la lluvia, que está ajustado para optimizar el rendimiento de los observables reconstruidos, incluidos aquellos que explotan la subestructura del chorro. Por ejemplo, la Figura 1 muestra que el enfoque híbrido AtlFast3 representa con mucha precisión el número de componentes de aeronaves reconstruidos simulados con Geant4.

Gracias a su rendimiento físico significativamente mejorado y a su aceleración entre un factor de 3 (en relación con el Z → ee eventos) y 15 (para alta p_t di-jet), AtlFast3 desempeñará un papel fundamental en la entrega de simulaciones físicas de alta resolución de ATLAS para Run 3 y posteriores, al mismo tiempo que cumplirá con las limitaciones de cálculo presupuestario de la colaboración.