Investigação de redes Kolmogorov-Arnold na solução de Pontes de Schrödinger para o refinamento de simulações rápidas de calorímetros

Abstract

Desde a construção dos primeiros colisores de partículas, a física de altas energias tem avançado significativamente, proporcionando uma compreensão cada vez mais profunda dos fundamentos da física moderna. No entanto, as demandas computacionais associadas às pesquisas nessa área têm crescido em ritmo acelerado, projetando um cenário no qual superarão amplamente as capacidades atuais de provisionamento de recursos. Esse desafio é especialmente crítico devido à necessidade de gerar simulações computacionais complexas de colisões de partículas. Para enfrentar essas limitações, técnicas de aprendizado de máquina e simulações rápidas têm emergido como alternativas promissoras para aumentar a eficiência das análises. Este trabalho investigou a integração de redes de Kolmogorov-Arnold (KAN) em modelos de redes neurais generativas baseadas em Pontes de Schrödinger de Difusão (DSB), aplicadas ao refinamento de simulações rápidas na física de altas energias. Entre os resultados mais significativos, destaca-se que uma arquitetura híbrida, utilizando KAN nas camadas de convolução das DSB, alcançou uma redução de aproximadamente 18% no tempo de inferência em processamento convencional (arquitetura CPU), em comparação à arquitetura de DSB originalmente proposta na literatura, sem comprometer a alta qualidade dos refinamentos. Esses resultados abrem novas perspectivas para a exploração e otimização de soluções inovadoras nesse campo.

Since the construction of the first particle colliders, high-energy physics has advanced significantly, providing an increasingly profound understanding of the foundations of modern physics. However, the computational demands associated with research in this field have been growing at an accelerated pace, projecting a scenario in which they will far exceed current resource provisioning capabilities. This challenge is particularly critical due to the need for generating computational simulations of particle collisions. To address these limitations, machine learning techniques and fast simulations have emerged as promising alternatives to enhance analysis efficiency. This study investigated the integration of Kolmogorov-Arnold networks (KAN) into generative neural network models based on Diffusion Schrödinger Bridges (DSB) applied to the refinement of fast simulations in high-energy physics. Among the most significant results, it is worth noting that a hybrid architecture, leveraging KAN within the convolutional layers of the DSB, achieved a reduction of approximately 18% in inference time on CPU architecture compared to the DSB architecture originally proposed in the literature, without compromising the high quality of the refinements. These results open new perspectives for exploring and optimizing innovative solutions in this field.