Novel Approaches for ML-Assisted Particle Track Reconstruction and Hit Clustering

要約

軌道の再構築は高エネルギー物理学 (HEP) の重要な側面であり、主要な実験において重要な役割を果たします。
この研究では、粒子追跡の再構築とヒット クラスタリングのための未踏の道を掘り下げます。
まず、簡素化されたシミュレーター (REDVID) を利用して、簡素化のために特別に構成されたトレーニング データを生成することで、アルゴリズム設計の取り組みを強化します。
私たちは、最適なネットワーク アーキテクチャの開発をガイドする際のこのデータの有効性を実証します。
さらに、このタスクに対する画像セグメンテーション ネットワークの応用を調査し、正確なトラック再構成の可能性を探ります。
さらに、配列翻訳問題を追跡するためのヒット配列として扱うことで、別の観点からこのタスクにアプローチします。
具体的には、追跡目的での Transformer アーキテクチャの利用を検討します。
予備的な調査結果については詳しく説明します。
この新しいアプローチを検討することで、線路再構築における新たな洞察と潜在的な進歩を明らかにすることを目指しています。
この研究は、これまで探究されていなかった方法に光を当て、HEP における粒子追跡再構築とヒット クラスタリングの分野に貴重な洞察を提供します。

要約(オリジナル)

Track reconstruction is a vital aspect of High-Energy Physics (HEP) and plays a critical role in major experiments. In this study, we delve into unexplored avenues for particle track reconstruction and hit clustering. Firstly, we enhance the algorithmic design effort by utilising a simplified simulator (REDVID) to generate training data that is specifically composed for simplicity. We demonstrate the effectiveness of this data in guiding the development of optimal network architectures. Additionally, we investigate the application of image segmentation networks for this task, exploring their potential for accurate track reconstruction. Moreover, we approach the task from a different perspective by treating it as a hit sequence to track sequence translation problem. Specifically, we explore the utilisation of Transformer architectures for tracking purposes. Our preliminary findings are covered in detail. By considering this novel approach, we aim to uncover new insights and potential advancements in track reconstruction. This research sheds light on previously unexplored methods and provides valuable insights for the field of particle track reconstruction and hit clustering in HEP.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google