面向高亮度 LHC 带电粒子径迹重建的目标凝聚流水线
数据分析、统计与概率
2023-10-02 v1 高能物理 - 实验
摘要
近期研究表明，为带电粒子径迹重建训练的图神经网络（GNN）在匹配传统算法性能的同时，可提升可扩展性，为高亮度 LHC 实验做准备。多数方法基于边分类（EC）范式，其中径迹探测器击中由边连接，并训练 GNN 修剪边，从而得到代表径迹的连通分量集合。这些连通分量通常由聚类算法收集，所得击中簇被传至下游模块以评估径迹质量或拟合径迹参数。本工作中，我们考虑一种基于目标凝聚（OC）的替代方法，OC 是一种多目标学习框架，旨在对属于任意数量对象（此处为径迹）的点进行聚类，并回归各对象的属性。我们证明，OC 应用于 trackML 数据集的像素探测器时展现出极具前景的结果，且在某些情况下可恢复仅依赖 EC 输出时无法重建的径迹。结果基于模块化且可扩展的开源实现获得，该实现使我们能高效训练并评估多种 OC 架构及相关方法的性能。
引用
@article{arxiv.2309.16754,
title = {An Object Condensation Pipeline for Charged Particle Tracking at the High Luminosity LHC},
author = {Kilian Lieret and Gage DeZoort},
journal= {arXiv preprint arXiv:2309.16754},
year = {2023}
}
备注
8 pages, 5 figures. 26th International Conference on Computing in High Energy & Nuclear Physics (CHEP23)