基于边分类交互网络的带电粒子径迹重建
高能物理 - 实验
2023-02-07 v3 机器学习
摘要
近期研究表明，图神经网络（GNNs）等几何深度学习方法非常适合于解决高能粒子物理中的多种重建问题。特别地，粒子径迹数据可自然表示为图：将硅径迹探测器击中（hits）视为节点，粒子轨迹视为边；在给定一组假设边的情况下，边分类 GNN 可识别对应于真实粒子轨迹的那些边。本工作中，我们将物理动机的交互网络（IN）GNN 应用于类似于高亮度大型强子对撞机预期条件的堆积（pileup）环境下的粒子径迹问题。假设在不同粒子动量阈值下进行理想化的击中过滤，我们通过基于 GNN 的径迹各阶段（图构建、边分类和径迹构建）的一系列测量，展示了 IN 优异的边分类精度和径迹效率。所提出的 IN 架构比先前研究的 GNN 径迹架构显著更小；这一点尤为可喜，因为减小规模对于在受限计算环境中实现基于 GNN 的径迹重建至关重要。此外，IN 可表示为一组显式矩阵运算或消息传递 GNN。目前正在利用异构计算资源加速这两种表示，以用于高层和低延迟触发应用。
引用
@article{arxiv.2103.16701,
title = {Charged particle tracking via edge-classifying interaction networks},
author = {Gage DeZoort and Savannah Thais and Javier Duarte and Vesal Razavimaleki and Markus Atkinson and Isobel Ojalvo and Mark Neubauer and Peter Elmer},
journal= {arXiv preprint arXiv:2103.16701},
year = {2023}
}
备注
This is a post-peer-review, pre-copyedit version of this article. The final authenticated version is available online at: https://doi.org/10.1007/s41781-021-00073-z