Scalable Multi-Task Learning for Particle Collision Event Reconstruction with Heterogeneous Graph Neural Networks

要約

大規模なハドロンコリダーでの輝度フロンティアの成長は、粒子衝突イベントの再構築と分析に挑戦しています。
粒子の多様性の増加は、データ収集段階での潜在的なレイテンシとストレージ要件の緊張と貯蔵要件を負っていますが、より高いバックグラウンドレベルやより頻繁な粒子頂点の誤解など、新しい合併症が現れています。
これにより、機械学習における最近の進歩を活用する、より全体的でスケーラブルな再構築方法の開発が必要です。
多様な粒子衝突関係のためのユニークな表現と、スケーラビリティのための統合グラフ剪定層を特徴とする新しい異種グラフニューラルネットワーク（HGNN）アーキテクチャを提案します。
LHCB実験を模倣した環境でマルチタスクパラダイムで訓練されたこのHGNNは、ハドロンの再構成パフォーマンスを大幅に改善します。
特に、単一のフレームワーク内で粒子頂点関連とグラフ剪定を同時に実行します。
再構築と剪定のパフォーマンスを定量化し、イベントの複雑さによる推論時間スケーリングの強化を示し、加重メッセージの合格スキームを使用して潜在的なパフォーマンス損失を軽減します。

要約(オリジナル)

The growing luminosity frontier at the Large Hadron Collider is challenging the reconstruction and analysis of particle collision events. Increased particle multiplicities are straining latency and storage requirements at the data acquisition stage, while new complications are emerging, including higher background levels and more frequent particle vertex misassociations. This in turn necessitates the development of more holistic and scalable reconstruction methods that take advantage of recent advances in machine learning. We propose a novel Heterogeneous Graph Neural Network (HGNN) architecture featuring unique representations for diverse particle collision relationships and integrated graph pruning layers for scalability. Trained with a multi-task paradigm in an environment mimicking the LHCb experiment, this HGNN significantly improves beauty hadron reconstruction performance. Notably, it concurrently performs particle vertex association and graph pruning within a single framework. We quantify reconstruction and pruning performance, demonstrate enhanced inference time scaling with event complexity, and mitigate potential performance loss using a weighted message passing scheme.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google