Unsupervised Particle Tracking with Neuromorphic Computing

要約

スパイク時間依存の可塑性ルールを使用して、遅延とシナプス重みの監視されていない学習を介して、荷電粒子の軌跡を識別するためのニューラルネットワークアーキテクチャの適用を研究します。
考慮されたモデルでは、ニューロンは、コンパクトミューンソレノイドフェーズII検出器のジオメトリに従ってモデル化された、粒子コリダーの追跡検出器での粒子ヒットの位置に関する時間エンコード情報を受け取ります。
スパイクニューラルネットワークが、偶発的または組み合わせヒットからの目立つノイズの存在下で、帯電した粒子によって残された信号を完全に監視していない方法でどのように正常に識別できるかを示します。
これらの結果は、粒子追跡に神経型コンピューティングを適用する方法を開き、将来の高エネルギー物理学実験におけるリアルタイムの低電力粒子追跡の可能性についてさらなる研究を動機付けます。

要約(オリジナル)

We study the application of a neural network architecture for identifying charged particle trajectories via unsupervised learning of delays and synaptic weights using a spike-time-dependent plasticity rule. In the considered model, the neurons receive time-encoded information on the position of particle hits in a tracking detector for a particle collider, modeled according to the geometry of the Compact Muon Solenoid Phase II detector. We show how a spiking neural network is capable of successfully identifying in a completely unsupervised way the signal left by charged particles in the presence of conspicuous noise from accidental or combinatorial hits. These results open the way to applications of neuromorphic computing to particle tracking, motivating further studies into its potential for real-time, low-power particle tracking in future high-energy physics experiments.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google