探索端到端可微神经 charged 粒子跟踪——损失景观视角

对高能粒子的测量和分析是科学、医疗或工业应用中复杂的程序，需设计精密的探测器和数据处理系统。因此，开发采用常规方法与机器学习算法结合的自适应和可微软件管道变得愈发重要，以在保持端到端（E2E）可微的同时高效优化和运行系统。我们提出一种用于charged粒子跟踪的E2E可微决策导向学习方案，使用图神经网络包含求解每个探测器层线性分配问题的组合成分。我们通过实证研究表明，包括离散分配操作的可微变体允许高效网络优化，效果良好或与缺乏E2E可微性的方法相当。在额外的研究中，我们深入探讨了优化过程，从损失景观视角提供了进一步见解。我们展示了尽管两种方法都收敛到类似的高性能区域，但在初始化和优化方法之间会出现显著的预测不稳定性，这可能对下游任务（如图像重建）的性能产生不可预测的影响。我们还指出了梯度估计器插值因子与模型预测稳定性之间的依赖关系，建议选择足够小的值。鉴于所学解决方案的强大全局连接性和优异训练性能，我们认为E2E可微性除了一般可获得梯度信息外，还为鲁棒的粒子跟踪提供了一个重要工具，通过偏好在下游任务上表现良好的解决方案来缓解预测不稳定性。