利用图神经网络进行 hadronic 聚类及降低贝尔 II 电磁能量沉积背景
高能物理 - 实验
2026-04-23 v1
摘要
贝尔 II 电磁能量沉积器由 8376 个 CsI(Tl) 石英晶体构成,不仅用于测量电磁粒子,还用于识别和确定中性 hadrons 的位置,尤其是中性 hadrons。近期数据采集周期为当前聚类方法带来了挑战:首先,SuperKEKB 加速器所实现的创纪录的光强度提高了背景速率,导致晶体数目增多,以及整体测量能量增加。这导致光子能量分辨率下降,并导致更多伪光子聚类重建。其次,挑战源于 hadrons 相互作用的本质。与 \gamma 和 e^{\pm} 不同,hadrons 在能量沉积器中的相互作用导致不规则的,甚至是离散的能量沉积。这类聚类可能被误解为光子聚类,从而降低中性 hadrons 的位置分辨率或导致完全误认 hadrons。图神经网络为解决这两个挑战提供了有前景的解决方案。通过仅将具有能量测量的晶体表示为节点,图捕获了输入的稀疏性。使用学习图边的消息传递层也有助于解决贝尔 II ECL 非对称传感器布局的问题。在本文献中,我们将呈现一种新方法,用于识别探测器仿真中的挑战。利用此信息,我们训练图神经网络以识别和删除聚类前不必要的沉积。
引用
@article{arxiv.2604.20518,
title = {Using Graph Neural Networks for hadronic clustering and to reduce beam background in the Belle~II electromagnetic calorimeter},
author = {Jonas Eppelt and Torben Ferber},
journal= {arXiv preprint arXiv:2604.20518},
year = {2026}
}
备注
proceedings for ACAT25