[論文レビュー] Machine Learning for Track Finding at PANDA

Waleed Esmail, T. Stockmanns+1 more|arXiv (Cornell University)|Oct 16, 2019

Image Processing and 3D Reconstruction参考文献 5被引用数 4

ひとこと要約

本論文は、PANDA前方追跡システム（FTS）向けに、深層学習に基づくトラック探索アルゴリズムを提案する。3段階のアプローチを採用：まず順方向ニューラルネットワークを用いて2次元トラックセグメントを生成し、次にねじれ層構成を用いた幾何学的3次元延長を実施し、最後にLSTM-RNNを用いてセグメントを結合して完全なトラックを構築する。中程度から高エネルギーのトラック（3.5–6.5 GeV/c）では純度>95%、効率>90%を達成し、低エネルギーのトラック（1 GeV/c）では80%の効率を示す。

ABSTRACT

We apply deep learning methods as a track finding algorithm to the PANDA Forward Tracking Stations (FTS). The problem is divided into three steps: The first step relies on an Artificial Neural Network (ANN) that is trained as a binary classifier to build track segments in three different parts of the FTS, namely FT1,FT2, FT3,FT4, and FT5,FT6. The ANN accepts hit pairs as an input and outputs a probability that they are on the same track or not. The second step builds 3D track segments from the 2D ones and is based on the geometry of the detector. The last step is to match the track segments from the different parts of the FTS to form a full track candidate, and is based on a Recurrent Neural Network (RNN). The RNN is used also as a binary classifier that outputs the probability that the combined track segments are a true track or not. The performance of the algorithm is judged based on the purity, efficiency and the ghost ratio of the reconstructed tracks. The purity specifies which fraction of hits in one track come from the correct particle. The correct particle is the particle, which produces the majority of hits in the track. The efficiency is defined as the ratio of the number of correctly reconstructed tracks to all generated tracks.

研究の動機と目的

• PANDA前方追跡システム（FTS）における荷電粒子トラックの再構成を目的としたパターン認識アルゴリズムの開発。
• 空間分解能や幾何学的形状が変動する複雑なマルチレイヤー検出器におけるトラック探索の課題の解決。
• FTSにおける低・中・高運動量粒子のトラック再構成効率と純度の向上。
• RNN、特にLSTMを用いたセグメント化されたトラックを完全な粒子軌道に結合する手法の実現可能性の検証。
• PANDAに一般的な高流量・高多重度環境におけるリアルタイム性能と耐障害性を最適化したアルゴリズムの開発。

提案手法

• 3つのFTS領域（FT1+FT2）、（FT3+FT4）、（FT5+FT6）において、同じトラックに属するヒットペアを識別するバイナリ分類器としての順方向ニューラルネットワーク（ANN）を学習。
• 検出器のねじれレイヤー構成に由来する幾何制約を用いて、ドリフト時間と空間座標を用いてヒットを投影することで、2次元トラックセグメントを3次元に拡張。
• 3次元トラックセグメントを複数のステーションに跨って順序付けするために、長短期記憶（LSTM）再帰ニューラルネットワークを適用。トラックに沿ったヒットの時間的順序をモデル化。
• 補正されたヒット位置（X, Y, Z）を入力として、LSTMを訓練し、複数のトラックセグメントの系列が真の粒子トラックを形成する確率スコアを出力する。
• 過学習を防ぎ、一般化性能を向上させるためにドロップアウト（50%）と3層のLSTMスタックを実装。
• PandaRootからのモンテカルロシミュレーションを用いて、等方的ミューオントラック（1–10 GeV/c）と対応する検出器ヒット（ワイヤー位置と等時円半径）を含む学習データを生成。

実験結果

リサーチクエスチョン

• RQ1 深層学習を用いることで、PANDA FTSにおいて高い純度と効率で荷電粒子トラックを再構成できるか？
• RQ2 分離された検出器領域において、順方向ニューラルネットワークがヒットペアを同じトラックに属するものと分類できる程度はいかほどか？
• RQ3 ねじれレイヤーの幾何モデリングは、2次元セグメントから3次元トラック再構成をどの程度向上させるか？
• RQ4 LSTM-RNNは、複数のFTSステーションに跨るトラックセグメントを、整合性のある完全なトラック候補に効果的に接続できるか？
• RQ5 異なる運動量領域におけるトラック純度、効率、ゴースト比のトレードオフはどのようになるか？

主な発見

• 高運動量トラック（6.5 GeV/c）では、純度がほぼ100%、効率がほぼ100%に達し、優れた再構成品質を示している。
• 中程度の運動量（3.5 GeV/c）では、純度が95%を超え、効率が90%以上を維持しており、実用的条件下での優れた性能を示している。
• 低運動量トラック（1 GeV/c）では、ヒット数5本のトラックで効率が80%に低下し、低多重度・低運動量領域における課題が明らかになった。
• LSTM-RNNモデルは1000回の学習イテレーション後に95%の検証精度に達し、トラックセグメントの複雑な順序依存性を学習できる能力を確認した。
• ねじれレイヤーを用いた3次元再構成により空間分解能が向上し、垂直方向分解能（約0.15 cm）が設計目標を満たし、水平方向分解能は10倍改善された。
• 幾何制約とLSTMの順序モデリングの併用によりゴースト比が最小限に抑えられ、誤ったトラック候補が削減された。