[論文レビュー] Hashing and metric learning for charged particle tracking

Sabrina Amrouche, M. Kiehn+2 more|arXiv (Cornell University)|Jan 16, 2021

Advanced Image and Video Retrieval Techniques参考文献 5被引用数 5

ひとこと要約

本論文は、近似最近傍探索を用いて検出器ヒットをバケツにグループ化し、その後バケツ内でのトラック解像度向上のためのメトリック学習を適用する、高光度衝突型加速器における効率的な電荷を帯びた粒子のトラッキングのためのハッシングおよびメトリック学習フレームワークを提案する。この手法は、組み合わせ的アプローチよりも顕著な高速化を達成し、未観測のイベントにおいて96%のトラッキング効率と8%の偽陽性率を達成した。

ABSTRACT

We propose a novel approach to charged particle tracking at high intensity particle colliders based on Approximate Nearest Neighbors search. With hundreds of thousands of measurements per collision to be reconstructed e.g. at the High Luminosity Large Hadron Collider, the currently employed combinatorial track finding approaches become inadequate. Here, we use hashing techniques to separate measurements into buckets of 20-50 hits and increase their purity using metric learning. Two different approaches are studied to further resolve tracks inside buckets: Local Fisher Discriminant Analysis and Neural Networks for triplet similarity learning. We demonstrate the proposed approach on simulated collisions and show significant speed improvement with bucket tracking efficiency of 96% and a fake rate of 8% on unseen particle events.

研究の動機と目的

• 高強度の粒子衝突における組み合わせ的トラック検出のスケーラビリティ制限を解決すること。
• 1回の衝突あたり数十万個の検出器ヒットを再構成する際の計算コストを低減すること。
• ハッシングおよびメトリック学習技術を用いて、トラック再構成の正確性と純度を向上させること。
• 将来の衝突型実験におけるリアルタイムまたはニアリアルタイムのトラッキングを可能にすること。
• シミュレートされた衝突データ上で、この手法の実現可能性と性能を示すこと。

提案手法

• 本手法は、ヒットを20〜50ヒット程度の小さなバケツに分割するハッシングを用い、初期の純度を向上させる。
• 各バケツ内でメトリック学習を適用し、ヒット間の類似度スコアを精緻化してトラック形成を最適化する。
• 2つの解像度戦略を評価した：ローカルフィッシャー判別分析と三重項類似度学習のためのニューラルネットワーク。
• 初期のヒットグループ化フェーズの高速化のために、近似最近傍探索を用いる。
• 学習された埋め込みを活用して、真の粒子軌道と偽物または誤関連付けられたヒットを区別する。
• フレームワークは、シミュレートされた高光度LHC衝突イベント上で訓練および評価された。

実験結果

リサーチクエスチョン

• RQ1 ハッシングに基づくバケツ化は、電荷を帯びた粒子トラッキングの計算複雑性を顕著に低減できるか？
• RQ2 メトリック学習はバケツ内トラック解像度の正確性を向上させ、偽トラックを低減できるか？
• RQ3 ローカルフィッシャー判別分析とニューラルネットワークベースの三重項学習の両者は、トラック再構成において性能でどのように比較できるか？
• RQ4 提案手法は、未観測のシミュレートされたイベントにおいて、どの程度のトラッキング効率と偽陽性率を達成できるか？
• RQ5 この手法は、高光度LHCのような高ヒット多重度環境に効果的にスケーリングできるか？

主な発見

• 未観測の粒子イベントにおいて、96%のトラッキング効率を達成しており、強力な一般化能力を示している。
• 偽陽性率は8%で測定され、誤って再構成されたトラックの効果的な抑制を示している。
• ハッシングの使用により、従来の組み合わせ的アプローチよりも顕著な高速化が達成された。
• ローカルフィッシャー判別分析とニューラルネットワークベースの三重項学習の両方とも、効果的なバケツ内解像度を示しており、後者にはさらなる向上の可能性がある。
• メトリック学習によりヒットバケツの純度を高い水準に維持し、網羅的な組み合わせ的マッチングの必要性を低減した。
• 結果は、高レートの衝突環境におけるリアルタイムまたはニアリアルタイムのトラッキングの実現可能性を示している。