[論文レビュー] Reconstruction of overlapping electromagnetic showers in calorimeters using Transformers

Yuliia Maidannyk, Fabrice Couderc+2 more|arXiv (Cornell University)|Mar 18, 2026

Particle physics theoretical and experimental studies被引用数 0

ひとこと要約

この論文は、深層学習ベースのクラスタリング手法を提案しており、二段階アーキテクチャと単一段階のグラフトランスフォーマー（ClusTEX）を用いて、カロリメーターにおける重なり合う電磁ショウersのエネルギーと位置を再構成する。新規の位置エンコーディング戦略と toy・ECAL風トポロジーでの頑健な性能を示す。

ABSTRACT

Accurate clustering of electromagnetic energy deposits is essential for reconstructing photons and electrons in modern hadron collider experiments, where boosted topologies and pileup cause overlapping showers and ambiguous energy assignment. We present deep learning-based clustering approaches that reconstruct particle energy and position directly from calorimeter readout. The study includes a two-step strategy in which candidate seed windows are identified and then jointly processed via distance-weighted message passing or attention mechanism and a single-step graph transformer, ClusTEX, which performs candidate selection and reconstruction in one inference stage. ClusTEX uses a novel positional encoding scheme that separates local coordinates within the graph from global detector coordinates, enabling efficient, geometry-aware inference. Models are trained on GEANT4 simulations of a simplified (toy) and an ECAL-inspired topology with an explicit $η-ϕ$ dependence. Performance is evaluated using efficiency, energy and position resolutions and splitting rate - reconstruction of two objects for a single photon. In the toy calorimeter, attention-based interactions improve the reconstruction of overlapping showers relative to both the standard algorithm and distance-driven message passing, while maintaining performance on isolated photons and reducing splitting without multi-pass inference. For boosted $π^0 oγγ$, the attention-based model retains di-photon mass reconstruction capability, where the standard algorithm becomes inefficient. In the ECAL-inspired topology, ClusTEX provides the best overall performance, yielding improved energy resolution and reduced splitting compared to two-step approaches and the standard algorithm. It also remains robust under localized detector failures, showing improved stability and partial recovery of energy in non-responsive channels.

研究の動機と目的

• HL-LHC環境に典型的な高占有とショウ重なりの下で、カロリメーターの電磁エネルギー沈着のクラスタリングを改善する動機づけ。
• カロリメーターの読出しからエネルギーと衝突位置を直接再構成するMLベースのクラスタリング手法を開発する。
• CMS PFClusteringのベースラインおよびGNNアプローチと、二段階および単一段階のトランスフォーマーアーキテクチャを比較する。
• toyおよび ECAL 風のトポロジーを用いた幾何学的効果と検出器の非均一性に対する頑健性を評価する。

提案手法

• SeedFinderを導入し、候補シード窓を特定して回帰用のサブセットを選択する。
• 距離重み付きメッセージパッシングPoEN（DW-PoEN）と注意機構ベースのPoEN（GAT-PoEN）という二段階PoENネットワークを開発し、複数候補からエネルギーと位置を共同再構成する。
• 単一段階のグラフ変換器（ClusTEX）を実装し、候補選択と再構成を1回の推論ステージで行い、新規の局所/全体的位置エンコーディング戦略を採用する。
• グラフ窓内に局所的位置を特徴量と結合し、グローバル検出器中心位置埋め込みを併用して、幾何学を意識した推論を可能にする。
• ToyカロリメータとECAL風トポロジーのGeant4シミュレーションを用いて、重なりショウやチャネル故障の可能性を含むさまざまな状況で訓練・検証する。
• SeedFinderを用いてP_SFでシードをフィルタリングし、PoENまたはClusTEXへ上位候補を供給して最終再構成を行う。

Figure 1 : Left: realistic CMS ECAL simulation geometry, where each PbWO 4 crystal is quasi-projective and aligned toward the interaction point with a 3 ∘ tilt in both the $z$ and $\phi$ directions. Right (top): example calorimeter window for a single-photon event showing the energy deposits in the

実験結果

リサーチクエスチョン

• RQ1 Transformerベースのアーキテクチャは、PFClusteringおよび従来のGNNアプローチと比較して、重なり合うEMショウのエネルギーと位置の再構成を改善できるか？
• RQ2 注意機構を持つモデルと単一段階のトランスフォーマーモデルは、η・φ依存性やチャネル故障を含む検出器幾何学効果および非均一性に対して頑健性を提供できるか？
• RQ3 幾何学的に豊かなカロリメーターのトポロジーにおける提案された位置エンコーディングスキームは性能にどう影響するか？
• RQ4 ブーストπ0→γγケースにおける分割率とジ-フォトン質量再構成への影響は？
• RQ5 toy的なトポロジーからECAL風の実機的検出器トポロジーへ、手法はスケーラブルか？

主な発見

• 注意機構を用いた相互作用（GAT-PoEN）は、標準アルゴリズムおよび距離駆動のメッセージ伝播よりも重なりショウの再構成を改善し、孤立光子の性能を維持しつつ分割を減らし、複数パス推論を不要にする。
• ブーストπ0→γγイベントでは、注意機構モデルがジ-フォトン質量再構成能力を保持し、標準アルゴリズムが非効率になる状況を回避する。
• ClusTEX（単一段階トランスフォーマー）はECAL風トポロジーで総合的に最良の性能を示し、エネルギー分解能の改善と分割の削減を、二段階アプローチおよび標準アルゴリズムと比較して実現する。
• ClusTEXは局所的な検出器故障下でも頑健性を維持し、非応答チャネルでのエネルギーの部分的回復と安定性を示す。
• SeedFinderはシード候補窓を効果的に削減し、高効率を維持しつつPoEN/ClusTEXでの共同再構成を可能にする。
• モデルはη・φ依存性と検出器の非均一性を明示的に含むGeant4シミュレーションで訓練・評価され、幾何学的に賢い推論の利点を示す。

Figure 2 : The optimized CNN based SeedFinder (SF) model architecture. The seed window candidates passing the threshold on deposited energy are taken as inputs to the SF model. The model assigns a probability whether the window is centred around the true seed crystal of a generated photon. The netwo