基于图神经网络的 LHCb Velo 跟踪 finding 流程
仪器与探测器
2025-11-26 v3 高能物理 - 实验
数据分析、统计与概率
摘要
在未来十年里，随着即时亮度和探测器细节的增加，高能物理实验需要分析的数据量将增加一个数量级，无论是实时还是离线。 charged particle tracks 的重建一直是离线数据处理管道中至关重要的环节，必须日益部署到实时处理的极早阶段，以实现实验的物理目标。图神经网络（GNN）因其计算复杂度随探测器中 hit 数量几乎线性增长而受到广泛关注，与常规算法相互尺度为二次或更差。本文提出 ETX4VELO，一个为 Run 3 LHCb 实验的 Vertex Locator 量身定制的 GNN 跟踪 finding 流程，置于 LHCb 完全基于 GPU 的一级触发系统 Allen 的上下文中。目前用 Python 实现的 ETX4VELO 能够使用 novel triplet-based 方法重建共享 hit 的轨迹。与 Allen 中的传统跟踪 finding 算法进行基准测试后，本 GNN 方法不仅匹配，甚至时而超越其物理性能。特别是，虚假轨迹比例从超过 2% 降至低于 1%，重建电子效率得到改善。虽然实现可与物理性能相当是一个里程碑，但当前的紧迫任务仍是将 ETX4VELO 实现到 Allen 中，以确定并优化其吞吐量，以满足高速率环境的需求。
引用
@article{arxiv.2406.12869,
title = {Graph Neural Network-Based Pipeline for Track Finding in the Velo at LHCb},
author = {Anthony Correia and Fotis I. Giasemis and Nabil Garroum and Vladimir Vava Gligorov and Bertrand Granado},
journal= {arXiv preprint arXiv:2406.12869},
year = {2025}
}
备注
CTD2023 Workshop