基于可扩展神经网络改进当前与未来粒子探测器的粒子流事件重建

在高亮度大型强子对撞机（High-Luminosity Large Hadron Collider）与未来环形对撞机（Future Circular Collider）所预期的极高粒度探测器中，需要高效且精确的算法来重建粒子。我们基于完整探测器模拟，研究了用于电子—正电子对撞中事件重建的可扩展机器学习模型。粒子流重建可表述为利用径迹与量能器簇团的有监督学习任务。我们比较了图神经网络与基于核的 transformer，并证明我们可以避免二次复杂度操作，同时实现逼真的重建。我们表明超参数调优显著提升了模型性能。最佳的图神经网络模型相比基于规则的算法，在喷注横向动量分辨率上提升了至多 50%。所得模型可移植于 Nvidia、AMD 与 Habana 硬件。基于机器学习的精确快速重建可显著改善对撞机上的未来测量。