ACTS径迹重建套件的自动调谐能力

带电粒子轨迹的重建是粒子物理实验的一个关键挑战，因为它直接影响粒子重建和物理性能。为了重建这些轨迹，需要顺序使用不同的重建算法。这些算法中的每一个都使用许多配置参数，这些参数必须进行微调，以适当地考虑探测器/实验设置、可用的CPU预算和期望的物理性能。此类参数的例子包括限制算法搜索空间的截断值、解释复杂现象的近似值或控制算法性能的参数。到目前为止，这些参数必须由人类专家优化，这效率低下，并引发了这些算法长期可维护性的问题。先前使用机器学习进行粒子重建的经验（例如TrackML挑战赛）表明，它们可以通过直接从数据中学习来轻松适应不同的实验。我们建议通过将经典径迹重建算法连接到代理驱动的优化器，将相同的方法引入其中，从而允许我们使用迭代调谐方法找到最佳输入参数。到目前为止，我们已经在使用开放数据探测器（ODD）的通用径迹软件（ACTS）框架内的不同径迹重建算法上演示了此方法。这些算法包括轨迹种子重建和选择、粒子顶点重建以及用于轨迹重建的简化材料图的生成。