基于 GNN 的 CMS 相位 2 高粒度量能器端到端重建
仪器与探测器
2023-03-01 v1 高能物理 - 实验
摘要
我们展示了面向一次性、完全基于机器学习（ML）的成像量能器重建的研究进展现状。所用模型基于图神经网络（GNNs），直接分析每个 HGCAL 端盖中的击中（hits）。该 ML 算法通过用相同簇索引标记击中，训练以预测源自同一入射粒子的击中簇。我们施加简单准则来评估预测中关联为簇的击中是否与任何特定单个入射粒子产生的击中相匹配。该算法通过在两个 HGCAL 端盖中各模拟两个 tau 轻子来研究，其中每个 tau 可依据其测得的标准模型分支概率衰变。模拟包含 tau 衰变产物的物质相互作用，其可能产生入射到量能器的额外粒子。利用这一多变的多粒子环境，我们可研究该重建技术的应用并开始表征能量包含与性能。
引用
@article{arxiv.2203.01189,
title = {GNN-based end-to-end reconstruction in the CMS Phase 2 High-Granularity Calorimeter},
author = {Saptaparna Bhattacharya and Nadezda Chernyavskaya and Saranya Ghosh and Lindsey Gray and Jan Kieseler and Thomas Klijnsma and Kenneth Long and Raheel Nawaz and Kevin Pedro and Maurizio Pierini and Gauri Pradhan and Shah Rukh Qasim and Oleksander Viazlo and Philipp Zehetner},
journal= {arXiv preprint arXiv:2203.01189},
year = {2023}
}
备注
5 pages, 5 figures, proceedings for the 20th International Workshop on Advanced Computing and Analysis Techniques in Physics Research