一种用于顶点重建的混合深度学习方法
仪器与探测器
2020-08-26 v1 高能物理 - 实验
摘要
在 2021 年向 Run 3 的过渡中，LHCb 将进行重大的亮度升级，从每事件预期可见主顶点（PVs）1.1 个增至 5.6 个，并将采用纯软件触发。这激发了对用于跟踪与重建的替代性高度并行且对 GPU 友好的算法的浓厚兴趣。我们将展示一种用于 LHCb 升级条件下顶点重建的新型原型算法。我们使用自定义核将命中与径迹的稀疏三维空间转换为稠密一维数据集，然后应用深度学习技术寻找主顶点位置。通过在我们的核上训练使用若干卷积神经网络层的网络，我们实现了优于 90% 的效率，且每事件假阳性（FPs）不超过 0.2。除物理性能外，该算法还为可视化和研究一维卷积网络提供了丰富的可能性。我们将讨论其设计、性能以及未来潜在的改进与研究方向，例如恢复完整三维顶点信息的可能途径。
引用
@article{arxiv.1906.08306,
title = {A hybrid deep learning approach to vertexing},
author = {Rui Fang and Henry F Schreiner and Michael D Sokoloff and Constantin Weisser and Mike Williams},
journal= {arXiv preprint arXiv:1906.08306},
year = {2020}
}
备注
6 pages, 6 figures, ACAT 2019