Kurzfassung
Die Monte Carlo Simulation von Teilchenwechselwirkungen bildet die Grundlage für nahetz alle Aspekte moderner Kollisionsexperimente, wobei die Rechenkosten bei steigender Luminosität und zunehmender Detektorkomplexität die verfügbaren Ressourcen überschreiten werden. Die Simulation von Kalorimeterschauren macht den größten Anteil dieser Kosten aus, insbesondere für die hochgranularen Desigens zukünftiger Anlagen. Tiefe generative Modelle des maschinellen Lernens bieten einen vielversprechenden Ansatz zur Lösung dieses Problems, indem sie aus vergleichweise kleinen Monte Carlo Datensätzen lernen und neue Schauer effizienter erzeugen.
Diese Arbeit stellt CALOCLOUDS vor, ein generatives Modell zur schnellen Simulation elektromagnetischer Schauer in hochgranularen Abtastkalorimetern, entwickelt und evaluiert anhand des elektromagnetischen Silizium-Wolfram Kalorimeters des International Large Detector (ILD). Im Gegensatz zu früheren Ansätzen basierend auf festen Voxelgittern beschreibt CALOCLOUDS Schauer als Punktwolken – Mengen energiegewichteter Koordinaten mit kontinuierlichen räumlichen Position. Diese Formulierung minimiert Projektionsartefakte beim Abbilden auf irreguläre Detektorgeometrien und ermöglicht die Nutzung eines einzigen Modells für verschiedene Detektorpositionen mit gleicher longitudinaler Struktur.
Das Modell kombiniert zwei komplementäre Komponenten: SHOWERFLOW, einen Normalizing Flow für globale Eigenschaften wie Schichtenergien und Anzahl der Energiedepositionen. Eine Vorverarbeitungspipeline wandelt CEANT4-Simulationsschritte in hochauflösende Punktwolken um und liefert Trainingsdaten mit höherer Granularität als die physikalischen Auslesezellen.
Um die Beiträge der Datenrepräsentation von der Modellleistung zu trennen, führt diese Arbeit optimale Schauer-Generatoren ein, konstruiert durch Projektion von GEANT4-Schritte zeigen, dass CALOCLOUDS eine Genauigkeit nahe der des feinsten optimalen Generators erreicht, was darauf hindeutet, dass das Modell sein maximales Potenzial für die gegebene Datenrepräsentation ausschöpft. Gleichzeitig zeigen Vergleiche mit grobgranularen Generatoren grundlegende Einschränkungen von Festgitter-Darstellungen unabhängig von der Modellarchitektur.
Die vollständige Integration in die ILD-Softwarekette über die DDML-Bibliothek ermöglicht die Auswertung mit Standard-Rekonstruktionswerkzeugen einschließlich Pandora Particle Flow. Physikalische Bencmarks umfassen Ein-Photon-Observablen, Di-Photon-Separation und π0 - Rekonstruktion in ℮+℮-→τ+τ- -Ereignissen, wobei der Großteil der Ergebnisse eine erstklassige Übereinstimmung mit GEANT4 zeigt. Auf CPU-Hardware ist CALOCLOUDS mehr als 120-fach schneller als die vollständige GEANT4-Simulation, während auf GPU-Hardware Beschleunigungen um mehrere Tausend möglich sind.
Insgesamt etablieren diese Ergebnisse CALOCLOUDS als effektive Lösung, die Geschwindigkeit und Genauigkeit für schnelle Kalorimetersimulation ausbalanciert und eine Grundlage für die Simulationsanforderungen künftiger Kollisionsexperimente bildet.
Monte Carlo simulation of particle interactions underpins nearly every Aspekt of modern collider experiments, yet its computational cost will exceed available resources as luminosities and detector complexities increase. Calorimeter shower simulation accounts for the dominant share of this cost, particularly for the highly granular desigens planned for future facilities. Deep generative Machine Learning models offers a promising path toward addressing this new showers more efficiently. This work introduces CALOCLOUDS, a generative model for fast electromagnetic shower simulation in highly granular sampling calorimeters, developed and evaluated using the silicontungsten electromagnetic calorimeter of the International Large Detector (ILD) as a case study. In contrast to previous approaches built on fixed voxel grids, CALOCLOUDS represents showers as point clouds- sets of energy-weighted coordinates with continuous spatial positions. This formulation minimizes the projection artefacts that arise when mapping gridbased outputs onto irregular detector readout geometries and enables the use of a single model across different detector positions with the same longitudinal structure. The model combines two complementary components: SHOWERFLOW, a normalizing flow that captures global properties such as per-layer energies and number of energy depositions, and a diffusion model that generates individual energy deposition. A dedicated preprocessing pipeline converts GEANT4 simulation steps into high-resolution point clouds, providing training data at finer granularity than the physical readout cells. To disentangle the contributions of data representation from model performance, this work introduces optimal shower generators constructed by projecting GEANT4 steps onto virtual grids of varying resolution without generative modelling. Benchmarks against these references show that CALOCLOUDS achieves fidelity close to the finest-grained optimal generator, indicating that the model reaches its maximum potential given the data representation. Simultaneously, comparisons eith the coarse-grained optimal shower generators reveal fundamental limitations of fixed-grid representations independent of the generative model architecture. Full integration into the ILD software chain via the DDML library enables evaluation with standard reconstruction tools, including Pandora particle flow. Physics benchmarks span single-photon observables, di-photon separation, and π0 reconstruction in ℮+℮-→τ+τ- events, with the majority demonstrating state-of-the-art agreement with GEANT4. On CPU hardware, speedups of several thousand-fold are achievable. Taken together, these results establish CALOCLOUDS as an effective solution that balances speed and accuracy for fast calorimeter simulation, providing a foundation for meeting the simulation demands of next-generation collider experiments.