面向 ML 辅助粒子轨迹重建与命中聚类的新方法
高能物理 - 实验
2025-05-12 v1 机器学习
摘要
粒子轨迹重建是高能物理学（HEP）中的关键环节，在主要实验装置中发挥重要作用。本研究探索了粒子轨迹重建和命中聚类问题中尚未充分探索的方向。首先，我们利用简化的模拟器（REDVID）生成专为简单性而设计的训练数据，增强了算法设计工作，并展示了该数据在引导最优网络架构开发方面的有效性。此外，我们研究了图像分割网络在此任务中的应用，探索其用于精确轨迹重建的潜力。我们还从不同角度切入，将其视为从命中序列到轨迹序列的翻译问题。具体而言，我们探索了Transformer架构用于跟踪的应用。我们详细报道了初步发现。通过采用这种新方法，我们旨在揭示新的见解和潜在进展。该研究为粒子轨迹重建和命中聚类领域的先前未探索方法提供了启发，并为该领域提供了宝贵的见解。
引用
@article{arxiv.2405.17325,
title = {Novel Approaches for ML-Assisted Particle Track Reconstruction and Hit Clustering},
author = {Uraz Odyurt and Nadezhda Dobreva and Zef Wolffs and Yue Zhao and Antonio Ferrer Sánchez and Roberto Ruiz de Austri Bazan and José D. Martín-Guerrero and Ana-Lucia Varbanescu and Sascha Caron},
journal= {arXiv preprint arXiv:2405.17325},
year = {2025}
}