Improved particle-flow event reconstruction with scalable neural networks for current and future particle detectors

要約

高輝度大型ハドロン衝突型加速器や将来の円形衝突型加速器で期待される高粒度検出器で粒子を再構成するには、効率的かつ正確なアルゴリズムが必要です。
私たちは、完全な検出器シミュレーションに基づいて、電子陽電子衝突におけるイベントを再構築するためのスケーラブルな機械学習モデルを研究します。
粒子流再構成は、トラックと熱量計クラスターを使用した教師あり学習タスクとして定式化できます。
グラフ ニューラル ネットワークとカーネル ベースのトランスフォーマーを比較し、現実的な再構成を実現しながら二次演算を回避できることを示します。
ハイパーパラメータ調整によりモデルのパフォーマンスが大幅に向上することを示します。
最良のグラフ ニューラル ネットワーク モデルでは、ルールベースのアルゴリズムと比較して、ジェットの横方向運動量の分解能が最大 50% 向上していることが示されています。
結果として得られるモデルは、Nvidia、AMD、および Habana ハードウェア間で移植可能です。
正確かつ高速な機械学習ベースの再構成により、衝突型加速器での将来の測定を大幅に改善できます。

要約(オリジナル)

Efficient and accurate algorithms are necessary to reconstruct particles in the highly granular detectors anticipated at the High-Luminosity Large Hadron Collider and the Future Circular Collider. We study scalable machine learning models for event reconstruction in electron-positron collisions based on a full detector simulation. Particle-flow reconstruction can be formulated as a supervised learning task using tracks and calorimeter clusters. We compare a graph neural network and kernel-based transformer and demonstrate that we can avoid quadratic operations while achieving realistic reconstruction. We show that hyperparameter tuning significantly improves the performance of the models. The best graph neural network model shows improvement in the jet transverse momentum resolution by up to 50% compared to the rule-based algorithm. The resulting model is portable across Nvidia, AMD and Habana hardware. Accurate and fast machine-learning based reconstruction can significantly improve future measurements at colliders.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google