[논문 리뷰] Performance of a Geometric Deep Learning Pipeline for HL-LHC Particle Tracking

X. Ju, Daniel Murnane외 22명|arXiv (Cornell University)|2021. 03. 11.

Particle physics theoretical and experimental studies참고 문헌 71인용 수 71

한 줄 요약

이 논문은 고성능 입자 추적을 위한 기하학적 딥러닝 파이프라인을 제안하며, 그래프 신경망과 메트릭 러닝을 기반으로 하며, HL-LHC에서의 성능을 확보한다. 이는 생산 알고리즘과 유사한 추적 효율성과 순도를 달성하면서도 이벤트 복잡도에 거의 선형적으로 스케일업되며 GPU에서 상당한 속도 향상을 보여, 향후 고중첩 조건에서의 고에너지물리 실험에 적합한 확장 가능한 솔루션으로서의 위치를 확보한다.

ABSTRACT

The Exa.TrkX project has applied geometric learning concepts such as metric learning and graph neural networks to HEP particle tracking. Exa.TrkX's tracking pipeline groups detector measurements to form track candidates and filters them. The pipeline, originally developed using the TrackML dataset (a simulation of an LHC-inspired tracking detector), has been demonstrated on other detectors, including DUNE Liquid Argon TPC and CMS High-Granularity Calorimeter. This paper documents new developments needed to study the physics and computing performance of the Exa.TrkX pipeline on the full TrackML dataset, a first step towards validating the pipeline using ATLAS and CMS data. The pipeline achieves tracking efficiency and purity similar to production tracking algorithms. Crucially for future HEP applications, the pipeline benefits significantly from GPU acceleration, and its computational requirements scale close to linearly with the number of particles in the event.

연구 동기 및 목표

• 증가하는 중첩과 검출기 점유도로 인해 고광도 LHC 환경에서 입자 추적의 계산 부담이 증가하고 있음을 고려하여 이를 해결한다.
• 극한 조건에서도 물리 성능을 유지하면서 확장 가능하고 고성능인 추적 파이프라인을 개발한다.
• 기하학적 딥러닝 기법이 전통적인 추적 알고리즘에 비해 효율성과 순도 면에서 동등하거나 이를 초월할 수 있음을 입증한다.
• 실시간 및 오프라인 응용을 위한 GPU 가속 및 이종 컴퓨팅 시스템에 효율적으로 구현 가능하게 한다.
• 검출기 노이즈, 잘못된 정렬, 이격된 정점 등의 체계적 영향에 대한 파이프라인의 강인성을 검증한다.

제안 방법

• 공간점들을 노드로, 그들의 기하학적 관계를 간선으로 하는 그래프 표현에서 공간점을 노드로 모델링하기 위해 그래프 신경망(GNNs)을 활용한다.
• 잠재 공간 내에서 트랙과 관련된 점들이 가까워지도록 메트릭 러닝을 사용하여, 효과적인 트랙 후보 필터링을 가능하게 한다.
• 3D 공간점 좌표에 대해 K-최근접 이웃(KNN)을 사용하여 그래프를 구축하며, 간선 기능을 후스포 변환 파라미터로 강화한다.
• 일반화 성능 향상을 위해 회전 반사와 같은 데이터 증강 기법을 사용하여 전하 케이저의 대칭성에 기여한다.
• GPU 가속을 통해 추론을 최적화하며, 다수의 GPU에 걸쳐 분산된 학습 및 추론을 통해 대규모 이벤트 크기에 대응한다.
• 로그 기록, 하이퍼파rameter 추적, 모델 재현 가능성을 위한 PyTorch Lightning을 사용한 모듈식이고 재현 가능한 프레임워크에 파이프라인을 통합한다.

실험 결과

연구 질문

• RQ1 기하학적 딥러닝 파이프라인은 전체 TrackML 데이터셋에서 기존 생산 알고리즘과 유사한 추적 효율성과 순도를 달성할 수 있는가?
• RQ2 Exa.TrkX 파이프라인의 계산 비용은 이벤트 복잡도와 입자 수 증가에 따라 어떻게 변화하는가?
• RQ3 GPU 가속은 추론 속도를 얼마나 향상시키며, 다수의 GPU에 걸쳐 효율적으로 병렬화할 수 있는가?
• RQ4 검출기 노이즈, 잘못된 정렬, 이격된 정점 등의 체계적 영향에 대해 파이프라인은 얼마나 강인한가?
• RQ5 phi 반사 및 Hough 기반 간선 기능과 같은 데이터 증강 전략은 모델 성능과 일반화 능력을 향상시킬 수 있는가?

주요 결과

• Exa.TrkX 파이프라인은 전체 TrackML 데이터셋에서 생산 수준의 추적 알고리즘과 유사한 추적 효율성과 순도를 달성하여, HL-LHC 실험의 핵심 물리 요구사항을 충족한다.
• 파이프라인의 계산 비용은 이벤트당 공간점 수에 거의 선형적으로 증가하므로, 고중첩 수준에서도 효율적인 처리가 가능하다.
• GPU 가속은 상당한 성능 향상을 가져오며, 기존 CPU 기반 방법에 비해 추론 시간이 크게 단축된다.
• phi 축 반사를 통한 데이터 증강은 벨리지 영역에서 효율성을 약 2% 향상시키고 순도를 1% 향상시키며, 학습 시간이 두 배로 증가하는 대가를 치르는 것으로 나타났다.
• Hough 변환 파라미터를 간선 기능으로 통합하면 효율성이 약 2% 향상되고 순도가 약 1% 향상되며, Hough 누적기반 간선 가중치를 사용할 경우 고비용이지만 추가로 약 3%의 효율성 향상이 이루어진다.
• 검출기 노이즈 및 잘못된 정렬와 같은 체계적 영향에 대해 파이프라인이 강인함을 입증하였으며, 고pT 제트 및 이격된 정점 시나리오와 같은 고밀도 환경에서도 강력한 성능을 보였다.