用于构建具有链式连接的有向图的 ATLAS ITk 探测器双度量学习

图构建是基于图神经网络（GNN）的径迹重建流水线中的关键步骤。图构建的目标是构建一个仅包含节点（探测器击中）之间已定义真实边连接的图。图构建的一种有前景的方法是度量学习方法，该方法学习嵌入空间中的节点表示，并根据节点在嵌入空间中的距离进行连接。在这种情况下，度量学习的损失函数是对比损失，鼓励真实的节点对彼此靠近，并拉开错误的节点对。当真实边被定义为粒子径迹中的链式连接时，该方法对于跳跃连接的学习目标存在冲突。为了解决这种情况下的冲突，我们提出了一种“双度量学习”方法，其中学习两个节点表示。然后，可以基于分别来自两个节点的两个表示之间的距离构建有向图。我们使用 ATLAS ITk 模拟在 HL-LHC 的 ATLAS ITk 探测器上测试了这一想法，并表明与简单度量学习方法相比，具有更好的图构建性能，特别是对于高横动量粒子。我们还表明，双度量学习能够准确预测边方向。