[논문 리뷰] Novel deep learning methods for track reconstruction

Steven Farrell, Paolo Calafiura외 12명|arXiv (Cornell University)|2018. 10. 14.

Medical Imaging Techniques and Applications인용 수 44

한 줄 요약

이 논문은 공간 포인트 데이터를 이용한 HL-LHC 트랙 재구성을 위한 두 가지 딥러닝 접근법을 제시합니다: RNN 기반 트랙 빌딩과 GNN 기반 히트/세그먼트 분류, ACTS 시뮬레이션 데이터에서의 강한 성능을 보이고 이미지 기반 방법에 비한 확장성 이점을 강조합니다.

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.

연구 동기 및 목표

• 전통적인 조합적 방법이 높은 점유율에서 어려움을 겪는 HL-LHC에서 트랙 재구성을 위한 딥러닝 활용 촉진.
• Kalman Filter 동작과 유사하게 트랙 후보를 추론하고 평가하기 위해 RNN 기반 트랙 빌딩 제안.
• 공간 포인트 그래프에서 진짜 연결과 트랙을 식별하기 위한 Graph Neural Network 기반 히트 및 세그먼트 분류 제안.
• ACTS-시뮬레이션 검출기 데이터에서 제안 모델을 평가하여 확장성과 정확성 평가.

제안 방법

• LSTM 기반 RNN을 사용하여 다음 히트를 외삽하고 트랙을 구성하며, 예측 불확실성을 제공하는 가우시안 출력 변형 포함.
• 확률적 예측을 위해 평균제곱오차 또는 가우시안 로그-가능도 손실로 시퀀스 히트 예측 모델을 학습.
• 인접한 검출기 층의 히트를 그래프로 구성하고 EdgeNetwork/NodeNetwork 기반의 GNN을 적용해 히트와 세그먼트를 분류.
• 두 개의 GNN 작업 구현: (i) 트랙 히트를 식별하기 위한 이진 히트 분류; (ii) 진짜 히트 쌍을 구분하기 위한 이진 세그먼트 분류.
• 구성된 그래프에 대한 GNN 분류기의 순도, 효율성, 정확도와 같은 성능 지표를 보고합니다.

실험 결과

연구 질문

• RQ1 RNN 기반 모델이 입자 궤적을 효과적으로 추적 외삽하고 Kalman Filter 절차와 유사하게 공간 포인트 시퀀스로 트랙을 구축할 수 있는가?
• RQ2 그래프 신경망이 공간 포인트 데이터 그래프에서 히트와 세그먼트를 정확히 분류하여 트랙 후보를 복구할 수 있는가?
• RQ3 HL-LHC 유사 데이터에서 RNN 및 GNN 접근 방식은 확장성과 성능 면에서 어떻게 비교되는가?
• RQ4 이 방법들을 전체 조합적 트랙 찾기 파이프라인에 통합하기 위한 한계점과 다음 단계는 무엇인가?

주요 결과

• 단순한 설정에서 RNN 기반 트랙 빌딩은 히트 예측 정확도가 높은데, 99.93%(간단) 및 99.98%(가우시안 모델)로 높은 성능을 보인다.
• 가우시안 RNN은 예측 공분산을 통해 불확실성 추정치를 제공하고, 풀 분포는 예측과 넓게 일치한다.
• GNN 히트 분류는 99.2%의 순도, 97.9%의 효율성, 99.4%의 전체 정확도를 부분적으로 라벨링된 그래프에서 달성했다.
• GNN 세그먼트 분류는 구성된 세그먼트에서 99.5%의 순도, 98.7%의 효율성, 99.5%의 전체 정확도를 달성했다.
• GNN 방법은 구조화된 히트 데이터에서 확장 가능한 트랙 재구성에 대해 강력한 잠재력을 보여주며 HL-LHC 조건에서 가장 유망한 접근으로 간주된다.