[论文解读] Hashing and metric learning for charged particle tracking

Sabrina Amrouche, M. Kiehn+2 more|arXiv (Cornell University)|Jan 16, 2021

Advanced Image and Video Retrieval Techniques参考文献 5被引用 5

一句话总结

该论文提出了一种用于高亮度对撞机中高效带电粒子追踪的哈希与度量学习框架，利用近似最近邻算法将探测器打点分组至桶中，随后通过度量学习实现桶内轨迹解析。该方法在未见事件上实现了96%的追踪效率和8%的误报率，相较于组合方法具有显著的速度提升。

ABSTRACT

We propose a novel approach to charged particle tracking at high intensity particle colliders based on Approximate Nearest Neighbors search. With hundreds of thousands of measurements per collision to be reconstructed e.g. at the High Luminosity Large Hadron Collider, the currently employed combinatorial track finding approaches become inadequate. Here, we use hashing techniques to separate measurements into buckets of 20-50 hits and increase their purity using metric learning. Two different approaches are studied to further resolve tracks inside buckets: Local Fisher Discriminant Analysis and Neural Networks for triplet similarity learning. We demonstrate the proposed approach on simulated collisions and show significant speed improvement with bucket tracking efficiency of 96% and a fake rate of 8% on unseen particle events.

研究动机与目标

• 为解决高亮度对撞中组合式轨迹查找的可扩展性限制。
• 降低每碰撞事件中数十万计探测器打点重建的计算成本。
• 通过哈希与度量学习技术提升轨迹重建的准确率与纯净度。
• 实现在未来对撞机实验中的实时或准实时追踪。
• 在模拟对撞数据上展示该方法的可行性与性能。

提出的方法

• 该方法使用哈希将探测器打点划分为20–50个打点的小桶，以提高初始纯净度。
• 在每个桶内应用度量学习，以优化打点之间的相似性评分，从而形成轨迹。
• 评估了两种分辨率策略：局部Fisher判别分析与基于神经网络的三元组相似性学习。
• 使用近似最近邻搜索加速初始打点分组阶段。
• 该方法利用学习到的嵌入表示，以区分真实粒子轨迹与虚假或错误关联的打点。
• 该框架在模拟的高亮度LHC对撞事件上进行训练与评估。

实验结果

研究问题

• RQ1 基于哈希的分桶是否能显著降低带电粒子追踪的计算复杂度？
• RQ2 度量学习是否能提升桶内轨迹解析的准确率并减少虚假轨迹？
• RQ3 局部Fisher判别分析与基于神经网络的三元组学习在轨迹重建中的性能表现如何比较？
• RQ4 该方法在未见模拟事件上的可实现追踪效率与误报率是多少？
• RQ5 该方法在高打点多重性环境（如高亮度LHC）中是否具备有效的可扩展性？

主要发现

• 该方法在未见粒子事件上实现了96%的追踪效率，表明其具有强大的泛化能力。
• 误报率测量为8%，表明能有效抑制错误重建的轨迹。
• 哈希的使用使得该方法相较于传统组合方法实现了显著的速度提升。
• 局部Fisher判别分析与基于神经网络的三元组学习均在桶内解析中表现出有效性，后者显示出进一步提升的潜力。
• 通过度量学习，该框架在打点桶中保持了高纯净度，从而减少了对穷举式组合匹配的需求。
• 结果表明，该方法在高流强对撞环境中的实时或准实时追踪具有可行性。