用于LHC质子-质子碰撞中初级顶点寻找的深度神经网络研究进展
高能物理 - 实验
2023-12-11 v2
摘要
我们正在研究使用深度神经网络（DNNs）来识别和定位LHC质子-质子碰撞中的初级顶点（PVs）。早期工作聚焦于使用混合方法在模拟LHCb数据中寻找初级顶点，该方法从带电径迹参数集合启发式导出的核密度估计器（KDEs）出发，预测“目标直方图”代理，并从中提取实际的PV位置。我们最近证明，使用UNet架构与“扁平”卷积神经网络模型性能无差别。我们开发了一种“端到端”的径迹到直方图DNN，利用模拟LHCb数据直接从径迹参数预测目标直方图，其性能优于所研究的最佳KDE到直方图模型（在相同高效率下具有更低的假阳性率）。该DNN在相同低假阳性率下也提供比默认启发式算法更高的效率。该模型的“量化”，即使用FP16而非FP32算术，对其性能影响极小。减少UNet通道数则更为显著地降低性能。我们已证明为LHCb数据开发的KDE到直方图算法可使用UNet架构的两种变体适配于ATLAS和ACTS数据。在ATLAS/ACTS内，这些算法已对照标准顶点查找算法进行验证。两种变体产生的PV寻找效率与标准算法相似，且顶点-顶点分离分辨率显著更优。
引用
@article{arxiv.2309.12417,
title = {Advances in developing deep neural networks for finding primary vertices in proton-proton collisions at the LHC},
author = {Simon Akar and Mohamed Elashri and Rocky Bala Garg and Elliott Kauffman and Michael Peters and Henry Schreiner and Michael Sokoloff and William Tepe and Lauren Tompkins},
journal= {arXiv preprint arXiv:2309.12417},
year = {2023}
}