Методы глубокого обучения для восстановления треков в случае высокой светимости: применение модели TrackNET к данным соревнования TrackML

Аннотации

Аннотация

Реконструкция треков частиц является ключевой задачей современных экспериментов в области физики высоких энергий. Традиционные методы, такие как фильтрКалмана, хотя и позволяют достичь высокого качества, но сталкиваются со значительными проблемами масштабируемости и вычислительной эффективности в средах с высокой множественностью треков и высоким уровнем шума. Чтобы устранить эти ограничения, было организовано соревнование TrackML с целью поиска новых, эффективных подходов к реконструкции траекторий частиц с высокой производительностью и качеством. В этой работе представлена TrackNET — модель глубокого обучения на основе архитектуры рекуррентной нейронной сети с блоками GRU, которая реконструирует треки частиц путем одновременной обработки нескольких сидов, начиная с хитов на первом слое детектора и итеративного предсказания области на следующем слое детектора, где, вероятно, находятся последующие хиты. В отличие от фильтра Калмана TrackNET избегает сложных алгебраических вычислений и имеет минимальный след в памяти, обрабатывая за один раз только небольшую часть хитов. Такая эффективность позволяет параллельно запускать множество моделей для генерации кандидатов треков с высоким показателем эффективности. Затем эти кандидаты ранжируются по критерию релевантности. При применении к набору данных TrackML модель TrackNET достигает многообещающих результатов как по скорости обработки, так и по точности реконструкции. Эти результаты подчеркивают потенциал TrackNET как масштабируемого, эффективного решения для трекинга частиц при применении для будущих коллайдерных экспериментов и исследований в области физики высоких энергий.