Spatio-Temporal Anomaly Detection with Graph Networks for Data Quality Monitoring of the Hadron Calorimeter

要約

コンパクト ミュオン ソレノイド (CMS) 実験は、CERN の大型ハドロン衝突型加速器 (LHC) での高エネルギー衝突用の汎用検出器です。
オンライン データ品質モニタリング (DQM) システムを採用し、粒子データ取得の問題を迅速に発見して診断し、データ品質の損失を回避します。
この研究では、DQM の 3 次元デジ占有マップ データを使用した、CMS のハドロン熱量計 (HCAL) の物理粒子読み取りチャネルの半教師付き時空間異常検出 (AD) モニタリングを紹介します。
我々は、畳み込みニューラルネットワークとグラフニューラルネットワークを使用して、検出器を通過する粒子によって引き起こされる局所的な空間特性と、共有されたバックエンド回路接続とチャネルのハウジングボックスによるグローバルな動作をそれぞれ学習するGraphSTADシステムを提案します。
リカレント ニューラル ネットワークは、抽出された空間特徴の時間的発展を捕捉します。
我々は、LHC Run-2 衝突データセットを使用して、さまざまなチャネル障害タイプを捕捉する際の提案された AD システムの精度を検証しました。
GraphSTAD システムは実稼働レベルの精度を達成しており、HCAL のリアルタイム監視のために CMS コア実稼働システムに統合されています。
また、提示されたシステムの有望な活用を実証するために、代替ベンチマーク モデルとの定量的なパフォーマンスの比較も提供しました。

要約(オリジナル)

The compact muon solenoid (CMS) experiment is a general-purpose detector for high-energy collision at the large hadron collider (LHC) at CERN. It employs an online data quality monitoring (DQM) system to promptly spot and diagnose particle data acquisition problems to avoid data quality loss. In this study, we present semi-supervised spatio-temporal anomaly detection (AD) monitoring for the physics particle reading channels of the hadronic calorimeter (HCAL) of the CMS using three-dimensional digi-occupancy map data of the DQM. We propose the GraphSTAD system, which employs convolutional and graph neural networks to learn local spatial characteristics induced by particles traversing the detector, and global behavior owing to shared backend circuit connections and housing boxes of the channels, respectively. Recurrent neural networks capture the temporal evolution of the extracted spatial features. We have validated the accuracy of the proposed AD system in capturing diverse channel fault types using the LHC Run-2 collision data sets. The GraphSTAD system has achieved production-level accuracy and is being integrated into the CMS core production system–for real-time monitoring of the HCAL. We have also provided a quantitative performance comparison with alternative benchmark models to demonstrate the promising leverage of the presented system.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google