End-to-end multi-particle reconstruction in high occupancy imaging calorimeters with graph neural networks

要約

CMS検出器の高輝度アップグレードで予測されるものと同様に、次世代粒状熱量計で検出器ヒットから粒子候補を構築するためのエンドツーエンド再構成アルゴリズムを提示します。
このアルゴリズムは、距離加重グラフ ニューラル ネットワークを利用し、グラフ セグメンテーション手法であるオブジェクト凝縮でトレーニングされます。
シングル ショット アプローチを通じて、再構成タスクはエネルギー回帰とペアになっています。
効率とエネルギー分解能の観点から再構成性能を説明します。
さらに、この方法のジェット再構成性能を示し、その推論計算コストについて説明します。
私たちの知る限り、この作業は、200 パイルアップの高光度条件での ${\cal O}(1000)$ 粒子のシングルショット熱量再構成の初めての例です。

要約(オリジナル)

We present an end-to-end reconstruction algorithm to build particle candidates from detector hits in next-generation granular calorimeters similar to that foreseen for the high-luminosity upgrade of the CMS detector. The algorithm exploits a distance-weighted graph neural network, trained with object condensation, a graph segmentation technique. Through a single-shot approach, the reconstruction task is paired with energy regression. We describe the reconstruction performance in terms of efficiency as well as in terms of energy resolution. In addition, we show the jet reconstruction performance of our method and discuss its inference computational cost. To our knowledge, this work is the first-ever example of single-shot calorimetric reconstruction of ${\cal O}(1000)$ particles in high-luminosity conditions with 200 pileup.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google