Speaker
Description
La simulazione veloce del calorimetro nell’esperimento ATLAS a LHC (FastCaloSim) è un elemento centrale per i programmi di simulazione di Run 3 e HL-LHC. L’attuale catena di Simulazione Veloce (ATLFAST3) combina parametrizzazioni classiche e modelli di machine learning addestrati su Geant4, fornendo una descrizione realistica delle showers elettromagnetiche ma mantenendo differenze residue rispetto ai dati in alcune osservabili. In questo contributo verrà presentato uno status degli algoritmi attualmente impiegati in FastCaloSim e delle loro prestazioni nella predizione delle shower shape.
L’evoluzione in corso è orientata verso modelli generativi più espressivi, con un focus sull’addestramento con dati reali per la descrizione delle shower shapes. L’approccio studiato si basa su modelli generativi condizionati, addestrati sulla simulazione di riferimento ma condizionati su un insieme compatto di osservabili di alto livello, le cui distribuzioni in fase di inferenza sono allineate a quelle misurate nei dati. Questo schema mira a indurre una variazione controllata sulle distribuzioni che preservi le correlazioni interne apprese dal modello.
Sarà quindi presentato uno studio preliminare di ottimizzazione basato su tecniche ML con l’utilizzo di dati reali, volto a verificare la possibilità di apprendere direttamente le correzioni necessarie ad allineare simulazione e dati, superando l’approccio basato su correzioni analitiche separate. Le prospettive future riguardano un uso più esteso di architetture di ML generative condizionate, con l’obiettivo di migliorare simultaneamente accuratezza fisica ed efficienza computazionale nell’era HL-LHC.