[논문 리뷰] Machine Learning for Track Finding at PANDA

Waleed Esmail, T. Stockmanns외 1명|arXiv (Cornell University)|2019. 10. 16.

Image Processing and 3D Reconstruction참고 문헌 5인용 수 4

한 줄 요약

이 논문은 PANDA Forward Tracking System (FTS)를 위한 딥러닝 기반의 트랙 추적 알고리즘을 제안하며, 3단계 접근 방식을 사용한다: 2차원 트랙 세그먼트를 생성하기 위한 피드포워드 신경망, 기울어진 층을 이용한 기하학적 3차원 연장, 그리고 세그먼트를 전체 트랙으로 연결하기 위한 LSTM-RNN. 이 방법은 중간에서 높은 운동량 트랙(3.5–6.5 GeV/c)에 대해 95% 이상의 순도와 90% 이상의 효율을 달성하며, 저운동량 트랙(1 GeV/c)에 대해서는 80%의 효율을 보인다.

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.

연구 동기 및 목표

• PANDA Forward Tracking System (FTS)에서 양성입자 트랙을 재구성하기 위한 패턴 인식 알고리즘을 딥러닝을 활용해 개발한다.
• 다양한 공간 해상도와 기하학적 구조를 가진 복잡한 다층 검출기 환경에서 트랙 추적의 과제를 해결한다.
• FTS에서 저운동량, 중간운동량, 고운동량 입자에 대해 트랙 재구성의 효율성과 순도를 향상시킨다.
• 딥러닝, 특히 RNN을 활용해 분할된 트랙 세그먼트를 전체 입자 궤적으로 연결하는 것이 가능한지를 입증한다.
• PANDA의 특성에 맞게 고속도, 고다중도 환경에서 실시간 성능과 강건성을 확보하기 위해 알고리즘을 최적화한다.

제안 방법

• 3개의 FTS 영역(FT1+FT2), (FT3+FT4), (FT5+FT6)에서 동일한 트랙에 속하는 히트 쌍을 식별하기 위해 이진 분류기로 기능하는 피드포워드 신경망(ANN)을 훈련시킨다.
• 검출기의 기울어진 층 구성에서 유도된 기하학적 제약 조건을 활용하여 드리프트 시간과 공간 좌표를 사용해 히트를 투영함으로써 2차원 트랙 세그먼트를 3차원으로 연장한다.
• 히트가 트랙을 따라 시간 순서로 나타나는 것을 모델링하기 위해 3D 트랙 세그먼트를 여러 스테이션에 걸쳐 순서를 정하기 위해 장기 단기 기억(LSTM) 순환 신경망을 적용한다.
• 수정된 히트 위치(X, Y, Z)를 입력으로 사용하여, 트랙 세그먼트의 시퀀스가 진짜 입자 트랙을 구성하는지 여부를 나타내는 확률 점수를 출력하도록 LSTM을 훈련시킨다.
• 과적합 방지를 위해 드롭아웃(50%)을 적용하고, 3개의 LSTM 레이어를 스태킹하여 훈련 중 일반화 능력을 향상시킨다.
• PandaRoot에서 생성한 몽테카를로 시뮬레이션을 활용해, 등방성의 뮤온 트랙(1–10 GeV/c)과 해당하는 검출기 히트(와이어 위치 및 등조선 반경)를 포함한 훈련 데이터를 생성한다.

실험 결과

연구 질문

• RQ1 딥러닝이 높은 순도와 효율을 갖추고 PANDA FTS에서 양성입자 트랙을 효과적으로 재구성할 수 있는가?
• RQ2 분할된 검출기 영역에서 피드포워드 ANN이 동일한 트랙에 속하는 히트 쌍을 분류하는 데 얼마나 잘 작동하는가?
• RQ3 기울어진 층의 기하학적 모델링이 2차원 세그먼트에서의 3차원 트랙 재구성에 얼마나 기여하는가?
• RQ4 LSTM-RNN이 다수의 FTS 스테이션을 넘어서 트랙 세그먼트를 연결하여 일관된 전체 트랙 후보를 생성하는 데 효과적인가?
• RQ5 다양한 운동량 영역에서 트랙 순도, 효율성, 가짜 트랙 비율 간의 성능 상충 관계는 어떠한가?

주요 결과

• 고운동량 트랙(6.5 GeV/c)에서는 거의 100%의 순도와 효율을 달성하여 뛰어난 재구성 품질을 보였다.
• 중간 운동량(3.5 GeV/c)에서는 순도가 95%를 초과하고 효율은 90% 이상을 유지하여 실제 조건에서도 뛰어난 성능을 보였다.
• 저운동량 트랙(1 GeV/c)에서는 5개의 히트를 가진 트랙에 대해 효율이 80%로 떨어지며, 저다중도, 저운동량 영역에서의 과제를 드러냈다.
• LSTM-RNN 모델은 1000회 훈련 반복 후 95%의 검증 정확도에 도달하여 트랙 세그먼트의 복잡한 순차적 의존성을 학습할 수 있음을 확인했다.
• 기울어진 층을 활용한 3차원 재구성은 공간 해상도를 향상시켰으며, 수직 해상도(~0.15 cm)는 설계 목표를 충족하고 수평 해상도는 10배 향상되었다.
• 기하학적 제약 조건과 LSTM의 순서 모델링을 통해 가짜 트랙 후보가 최소화되어 가짜 트랙 비율이 감소했다.