Сравнение подходов к разрешению неоднозначностей при реконструкции треков заряженных частиц
Аннотация
При решении задачи реконструкции треков заряженных частиц возможны неопределённости — ситуации, когда нельзя однозначно разделить множество точек на треки (выяснить, к какому треку принадлежит та или иная точка, или установить, относятся ли распознанные треки к одному реальному треку). Обработка таких ситуаций осуществляется в конце реконструкции треков, после того как построено множество треков-кандидатов (с помощью фильтра Калмана или иного метода). Основные цели: (1) выявить и удалить ложные треки (треки-кандидаты, не имеющие реальных прототипов); (2) устранить избыточность (минимизировать число треков-кандидатов, соответствующих одному реальному треку). Последняя цель достигается путём кластеризации треков-кандидатов и выбора лучшего представителя из каждого кластера (в более общем случае представитель конструируется путем «соединения» треков кластера). В статье рассматриваются некоторые подходы к разрешению неоднозначностей (как алгоритмические, так и использующие методы машинного обучения); приводится их сравнение по таким показателям, как эффективность, доля ложных треков, доля треков-дубликатов. Анализ проводится в среде MPDRoot, разрабатываемой для эксперимента MPD проекта NICA, однако предложенные подходы являются универсальными и могут применяться в других экспериментах.
Литература
2. Burzynski J. Event Reconstruction. In: A Search for Exotic Higgs Decays: Or: How I Learned to Stop Worrying and Love Long-Lived Particles. Springer Theses. Cham: Springer; 2023. p. 79-102. http://dx.doi.org/10.1007/978-3-031-30466-8_4
3. Abgaryan V., et al. Status and initial physics performance studies of the MPD experiment at NICA. The European Physical Journal A. 2022;58(7):140. https://doi.org/10.1140/epja/s10050-022-00750-6
4. Mankel R. Pattern recognition and event reconstruction in particle physics experiments. Reports on Progress in Physics. 2004;67(4):553-662. https://doi.org/10.48550/arXiv.physics/0402039
5. DeZoort G., et al. Graph neural networks at the Large Hadron Collider. Nature Reviews Physics. 2023;5(5):281-303. https://doi.org/10.1038/s42254-023-00569-0
6. Hough P.V.C. Machine analysis of bubble chamber pictures. In: Proceedings of the International Conference on High Energy Accelerators and Instrumentation. 1959. p. 554-556. Available at: https://cir.nii.ac.jp/crid/1570854175926719872 (accessed 28.08.2024).
7. Ristori L. An artificial retina for fast track finding. Nuclear Instruments and Methods in Physics Research section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 2000;453(1-2):425-429. https://doi.org/10.1016/S0168-9002(00)00676-8
8. Ososkov G.A., Polyansky A., Puzynin I.V. The modern methods of experimental data processing in high energy physics. Physics of Elementary Particles and Atomic Nuclei. 2002;33(3):676-745. Available at: https://www1.jinr.ru/Pepan/v-33-3/v-33-3-11.pdf (accessed 28.08.2024). (In Russ.)
9. Ju X., et al. Graph neural networks for particle reconstruction in high energy physics detectors. arXiv:2003.11603. 2020. https://doi.org/10.48550/arXiv.2003.11603
10. Dror G., Abramowicz H., Horn D. Vertex identification in high energy physics experiments. Advances in Neural Information Processing Systems. 1998;11:868-874. Available at: https://papers.nips.cc/paper_files/paper/1998/file/aff0a6a4521232970b2c1cf539ad0a19-Paper.pdf (accessed 28.08.2024).
11. Abidi H., et al. Charged Particle Tracking with Machine Learning on FPGAs. arXiv:2212.02348; 2022. doi: https://doi.org/10.48550/arXiv.2212.02348
12. Batyuk P., et al. Event reconstruction in the BM@N experiment. EPJ Web of Conferences. 2019; 204:07012. (In Eng.) doi: https://doi.org/10.1051/epjconf/201920407012
13. Kalman R.E. A new approach to linear filtering and prediction problems. Journal of Basic Engineering. 1960; 82(1):35-45. (In Eng.) doi: https://doi.org/10.1115/1.3662552
14. Frühwirth R. Application of Kalman filtering to track and vertex fitting. Nuclear Instruments and Methods in Physics Research section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 1987; 262(2-3):444-450. (In Eng.) doi: https://doi.org/10.1016/0168-9002(87)90887-4
15. Nikityuk N.M. Methods of processing information from track detectors of high-energy charged particles. Physics of Elementary Particles and Atomic Nuclei. 1995; 26(3):719-779. (In Russ.) Available at: http://www1.jinr.ru/Archive/Pepan/1995-v26/v-26-3/pdf_obzory/v26p3_4.pdf (accessed 28.10.2024).
16. Baranov D., et al. The particle track reconstruction based on deep neural networks. EPJ Web of Conferences. 2019; (214):06018. (In Eng.) doi: https://doi.org/10.1051/epjconf/201921406018
17. Frühwirth R., Strandlie A. Pattern recognition, tracking and vertex reconstruction in particle detectors. Springer, Cham. 2021. 203 p. (In Eng.) doi: https://doi.org/10.1007/978-3-030-65771-0
18. Zinchenko D., Zinchenko A., Nikonov E. Development of algorithms for track reconstruction and matching in the ITS and TPC detectors at MPD/NICA. Acta Physica Polonica B Proceedings Supplement. 2021; 14(3):519-523. (In Eng.) doi: https://doi.org/10.5506/APhysPolBSupp.14.519
19. Averyanov A., et al. MPD TPC Status. Physics of Atomic Nuclei. 2023; 86(5):796-804. (In Eng.) doi: http://dx.doi.org/10.1134/S106377882305006X
20. Allaire C. et al. Ranking-based neural network for ambiguity resolution in ACTS. EPJ Web of Conferences. 2024; 295:03022. (In Eng.) doi: https://doi.org/10.1051/epjconf/202429503022
21. Aaboud M., et al. Performance of the ATLAS track reconstruction algorithms in dense environments in LHC Run 2. The European Physical Journal C. 2017; 77:1-30. (In Eng.) doi: https://doi.org/10.48550/arXiv.1704.07983
22. Hochreiter S., Schmidhuber J. Long short-term memory. Neural computation. 1997; 9(8):1735-1780. (In Eng.) doi: https://doi.org/10.1162/neco.1997.9.8.1735
23. Busha Ya. Jr., et al. Unified software development and analysis environment for the MPD experiment at the NICA collider. International Scientific Journal "Modern Information Technologies and IT Education." 2022; 1:176-182. (In Russ.) doi: https://doi.org/10.25559/SITITO.18.202201.176-182
24. Ai X., et al. A Common Tracking Software Project. Computing and Software for Big Science. 2022. vol. 6. (In Eng.) doi: https://doi.org/10.1007/s41781-021-00078-8
25. Bleicher M., et al. Relativistic hadron-hadron collisions in the ultra-relativistic quantum molecular dynamics model. Journal of Physics G: Nuclear and Particle Physics. 1999; 25(9):1859. (In Eng.) doi: https://doi.org/10.1088/0954-3899/25/9/308
Это произведение доступно по лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная.
Редакционная политика журнала основывается на традиционных этических принципах российской научной периодики и строится с учетом этических норм работы редакторов и издателей, закрепленных в Кодексе поведения и руководящих принципах наилучшей практики для редактора журнала (Code of Conduct and Best Practice Guidelines for Journal Editors) и Кодексе поведения для издателя журнала (Code of Conduct for Journal Publishers), разработанных Комитетом по публикационной этике - Committee on Publication Ethics (COPE). В процессе издательской деятельности редколлегия журнала руководствуется международными правилами охраны авторского права, нормами действующего законодательства РФ, международными издательскими стандартами и обязательной ссылке на первоисточник.
Журнал позволяет авторам сохранять авторское право без ограничений. Журнал позволяет авторам сохранить права на публикацию без ограничений.
Издательская политика в области авторского права и архивирования определяются «зеленым цветом» в базе данных SHERPA/RoMEO.
Все статьи распространяются на условиях лицензии Creative Commons «Attribution» («Атрибуция») 4.0 Всемирная, которая позволяет другим использовать, распространять, дополнять эту работу с обязательной ссылкой на оригинальную работу и публикацию в этом журналe.
