用于高能物理中带电粒子径迹重建的 Transformer
高能物理 - 实验
2025-12-16 v2
摘要
重建带电粒子径迹是现代对撞机实验中的一项基本任务。高亮度大型强子对撞机 (HL-LHC) 预期的前所未有的粒子多重性给径迹重建带来了重大挑战，传统算法变得计算上不可行。为应对这一挑战，我们提出了一种新颖的学习型径迹重建方法，该方法借鉴了计算机视觉和目标检测的最新进展。我们的架构将 Transformer 点位过滤网络与 MaskFormer 重建模型相结合，联合优化点位分配和带电粒子性质的估计。在 TrackML 数据集上评估，我们表现最好的模型实现了最先进的跟踪性能，效率达 97%，假径迹率为 0.6%，推理时间为 100 毫秒。我们的可调方法可针对触发系统等特定应用进行专门化，其基本原理可推广到高能物理中的其他重建挑战。这项工作展示了现代深度学习架构在应对粒子物理中新兴计算挑战方面的潜力，同时保持了突破性物理分析所需的精度。
引用
@article{arxiv.2411.07149,
title = {Transformers for Charged Particle Track Reconstruction in High Energy Physics},
author = {Samuel Van Stroud and Philippa Duckett and Max Hart and Nikita Pond and Sébastien Rettie and Gabriel Facini and Tim Scanlon},
journal= {arXiv preprint arXiv:2411.07149},
year = {2025}
}