使用 Transformer 重建卡尔门柜中重叠电磁沱 shower

准确的电磁能沉积聚类对于在现代强子对撞机实验中重建光子和电子至关重要，其中提升的拓扑和pileup导致重叠沱和能量分配的模糊问题。我们提出了基于深度学习的聚类方法，从卡尔门柜读出直接重建粒子能量和位置。该研究包括一种两步策略，其中识别候选种子窗口，然后通过基于距离的消息传递或注意力机制进行联合处理，或采用单步图Transformer ClusTEX，其在一个推理阶段中执行候选选择和重建。ClusTEX使用一种新颖的位置编码方案，将图内的局部坐标与全局探测器坐标分离，实现高效、几何感知的推理。模型在GEANT4模拟的简化（玩具）和ECAL启发的拓扑结构上进行训练，后者包含显式的eta-phi依赖。性能通过效率、能量和位置分辨率以及分裂率——即单个光子被重建为两个对象的性能进行评估。在玩具卡尔门柜中，基于注意力的交互相对于标准算法和基于距离的消息传递改进了重叠沱的重建，同时保持了孤立光子的性能，并在无多 Pass推断的情况下减少了分裂。对于提升的pi^0->gamma gamma，注意力驱动的模型保留了双光子质量重建能力，其中标准算法变得效率低下。在ECAL启发的拓扑结构中，ClusTEX提供了最佳的整体性能，yielding improved能量分辨率和减少分裂，相对于两种两步方法和标准算法，同时在局部探测器故障下保持稳健，显示出改进的稳定性和对非响应通道能量的部分恢复。