[論文レビュー] Novel deep learning methods for track reconstruction

Steven Farrell, Paolo Calafiura+12 more|arXiv (Cornell University)|Oct 14, 2018

Medical Imaging Techniques and Applications被引用数 44

ひとこと要約

本論文は、HL-LHCのトラック再構成のために、空間点データを用いた2つの深層学習アプローチを提示する。RNNベースのトラック構築とGNNベースのヒット/セグメント分類で、ACTSシミュレーションデータ上で高い性能を示し、画像ベース手法に比べたスケーラビリティの利点を強調する。

ABSTRACT

For the past year, the HEP.TrkX project has been investigating machine learning solutions to LHC particle track reconstruction problems. A variety of models were studied that drew inspiration from computer vision applications and operated on an image-like representation of tracking detector data. While these approaches have shown some promise, image-based methods face challenges in scaling up to realistic HL-LHC data due to high dimensionality and sparsity. In contrast, models that can operate on the spacepoint representation of track measurements ("hits") can exploit the structure of the data to solve tasks efficiently. In this paper we will show two sets of new deep learning models for reconstructing tracks using space-point data arranged as sequences or connected graphs. In the first set of models, Recurrent Neural Networks (RNNs) are used to extrapolate, build, and evaluate track candidates akin to Kalman Filter algorithms. Such models can express their own uncertainty when trained with an appropriate likelihood loss function. The second set of models use Graph Neural Networks (GNNs) for the tasks of hit classification and segment classification. These models read a graph of connected hits and compute features on the nodes and edges. They adaptively learn which hit connections are important and which are spurious. The models are scaleable with simple architecture and relatively few parameters. Results for all models will be presented on ACTS generic detector simulated data.

研究の動機と目的

• 高い占有率で従来の組み合わせ的手法が苦戦するHL-LHCにおけるトラック再構成のための深層学習の利用を動機づける。
• Kalmanフィルタの操作に類似した軌道候補の外挿と評価を行うRNNベースのトラック構築を提案する。
• 空間点グラフ上でヒットとセグメントの分類を行うGNNベースの提案をして、真の結合とトラックを識別する。
• スケーラビリティと精度を評価するため、ACTSシミュレート検出器データ上で提案モデルを評価する。

提案手法

• LSTMベースのRNNを用いて空間点（ヒット）列を外挿し、次のヒットを推定してトラックを構築する。予測不確実性を生み出すGaussian出力を備えた varianteも含む。
• 確率的予測のため、平均二乗誤差やガウス対数尤度損失で連続ヒット予測モデルを訓練する。
• 隣接する検出層上のヒットのグラフ表現を構築・評価し、EdgeNetwork/NodeNetworkベースのGNNを適用してヒットとセグメントを分類する。
• 2つのGNNタスクを実装する： (i) トラックヒットを識別する2値ヒット分類、(ii) 真のヒット対を区別する2値セグメント分類。
• 構築されたグラフ上のGNN分類器の純度、効率、精度などの性能指標を報告する。

実験結果

リサーチクエスチョン

• RQ1 RNNベースのモデルはKalmanフィルタ手順に類似した空間点シーケンスから粒子の軌道を効果的に外挿し、トラックを構築できるか。
• RQ2 GNNは空間点データのグラフ内でヒットとセグメントを正確に分類してトラック候補を復元できるか。
• RQ3 HL-LHC様データにおけるスケーラビリティと性能の観点で、RNNとGNNのアプローチをどう比較できるか。
• RQ4 これらの手法を完全な組み合わせ式トラック探索パイプラインへ統合する際の制約と次のステップは何か。

主な発見

• RNNベースのトラック構築は、低占有設定でヒット予測精度が高く、単純モデルで99.93%、ガウスモデルで99.98%を達成。
• Gaussian RNNは予測共分散を介して不確実性推定を提供し、プル分布は予測と概ね一致している。
• GNNヒット分類は、部分ラベル付きグラフで純度99.2%、効率97.9%、全体精度99.4%を達成。
• GNNセグメント分類は、構築されたセグメントで純度99.5%、効率98.7%、全体精度99.5%を達成。
• GNN法は構造化ヒットデータ上でのスケーラブルなトラック再構成の強い可能性を示し、HL-LHC条件下で最も有望なアプローチと評価された。