[论文解读] Graph Neural Networks for Particle Reconstruction in High Energy Physics detectors

X. Ju, Steven Farrell+21 more|arXiv (Cornell University)|Mar 25, 2020

Advanced Graph Neural Networks参考文献 16被引用 83

一句话总结

本文展示了图神经网络（GNNs）在两个关键的高能物理重建任务中的应用——跟踪（粒子轨迹）和热量计聚类（喷射簇）——在模拟的 HL-LHC 类条件下实现高效性和纯度。结果表明 GNN 在处理具有复杂探测几何结构的情况下，在可扩展性和性能方面可超越传统方法。

ABSTRACT

Pattern recognition problems in high energy physics are notably different from traditional machine learning applications in computer vision. Reconstruction algorithms identify and measure the kinematic properties of particles produced in high energy collisions and recorded with complex detector systems. Two critical applications are the reconstruction of charged particle trajectories in tracking detectors and the reconstruction of particle showers in calorimeters. These two problems have unique challenges and characteristics, but both have high dimensionality, high degree of sparsity, and complex geometric layouts. Graph Neural Networks (GNNs) are a relatively new class of deep learning architectures which can deal with such data effectively, allowing scientists to incorporate domain knowledge in a graph structure and learn powerful representations leveraging that structure to identify patterns of interest. In this work we demonstrate the applicability of GNNs to these two diverse particle reconstruction problems.

研究动机与目标

• 在 HL-LHC 条件下，激发高能物理探测器中的模式识别挑战。
• 提出基于图的命中/簇表示以及边分类 GNN，用于重建轨迹和热量计簇。
• 展示 GNN 在桶区跟踪以及使用静态图进行热量计聚类的有效性。
• 提供对可扩展性以及与现有物理重建流程集成潜力的证据。

提出的方法

• 将探测器测量表示为图节点（命中）及其坐标 (r, phi, z)，节点之间通过相邻层之间的边或基于领域先验的启发式边连接。
• 将边特征设为坐标差（Delta eta, Delta phi），节点特征为圆柱坐标；边标签指示同一轨迹的连接。
• 使用类似 Interaction Networks 的 GNN，包含编码器、图模块（信息传递）和输出模块，将边分类为真/假。
• 对潜在节点/边特征进行迭代更新，进行 N=8 次图迭代；在每次迭代时拼接初始特征以提高性能。
• 在 TrackML 数据集（HL-LHC 密度类似）上使用 NVIDIA V100 进行训练；应用简单的 Connecting The Dots 后处理来形成轨迹候选。
• 对于热量计，构建一个静态图（例如通过 kNN），并应用带 EdgeConv 风格算子的边分类网络以识别真正的能量簇边；在边上探索能量沉积的分类。

实验结果

研究问题

• RQ1 在密集的 HL-LHC 式环境中，利用基于图的探测器命中表示，GNN 是否能够有效重建带电粒子轨迹？
• RQ2 基于 GNN 的边分类是否能够扩展到高粒度热量计的鲁棒聚类和能量沉积关联？
• RQ3 GNN 基方法在跟踪和热量计中的效率、纯度等基准指标达到何种水平，与传统重建方法相比如何？
• RQ4 在真实探测场景中，GNN 架构对具有大量边和多种粒子类型的大规模图的可扩展性如何？

主要发现

• 跟踪：在 0.5 的分数阈值下，边效率 95.9% 与纯度 95.7%。
• 跟踪：在 pT 范围 100 MeV 到 5 GeV 时，将 GNN 与 Connecting The Dots 后处理结合可重构大约 95% 的真实轨迹。
• 热量计：μ 粒子沉积达到 99% 的效率和 90% 的纯度；光子沉积达到 99% 的效率和纯度；π 介子沉积在两项指标均超过 90%。
• 热量计：在 CMS 高粒度热量计（HGCal）单粒子样本上展示结果，显示出有希望的能量簇重构。
• 训练效率：在 TrackML 数据上使用 Nvidia V100 约 2 小时完成 ~2 个 epoch 的训练，表明具有实际可行性。