Разработка системы локального трекинга в коллайдерных экспериментах с применением методов глубокого обучения

Трекинг частиц – фундаментальная часть анализа данных для экспериментов физики высоких энергий. Во многих экспериментах используются GEM-детекторы для регистрации треков частиц. Такие детекторы обладают хорошими характеристиками, но при этом из-за своей конструкции производят большое количество ложных хитов. Наиболее часто для выделения треков из получаемых данных используется фильтр Калмана, однако он требует сложной процедуры построения начальных отрезков треков-кандидатов и имеет экспоненциальную сложность по отношению к множественности события. В данной работе представлено решение для идентификации и реконструкции треков на основе глубокой нейронной сети TrackNETv2. Эта модель легковесная, эффективная и может быть обучена с помощью моделирования Монте-Карло. В статье используются данные, смоделированные для экспериментов BM@N и BESIII. Эксперименты с данными BESIII выявили ограничения исходной модели, поэтому в новой модели – TrackNETv3 -были добавлены дополнительные блоки. Была предложена новая схема обучения исходной модели и адаптирован алгоритм быстрого поиска в индексе хитов для продолжений трека-кандидата. Все модификации были оценены на смоделированных данных, а также рассмотрены их сильные стороны и ограничения для применения в задаче трекинга.

Введение…………………………………………………………………………………………… 4

Постановка задачи …………………………………………………………………………. 6

Глава 1. Трековые детекторы …………………………………………………………….. 8

1.1. Эксперимент BESIII…………………………………………………………… 12

1.2. Эксперимент BM@N мегапроекта NICA ………………………………… 14

Глава 2. Обзор литературы………………………………………………………………. 18

2.1. Метод конформного отображения ……………………………………… 19

2.2. Преобразование Хафа ………………………………………………………… 20

2.3. Метод прослеживания по дорожке …………………………………….. 20

2.4. Подгонка треков методом наименьших квадратов ……………… 21

2.5. Фильтр Калмана ………………………………………………………………… 23

2.6. Клеточный автомат для поиска трек-кандидатов ………………… 27

2.7. Нейронные сети Хопфилда ………………………………………………… 29

2.8. Эластичные нейронные сети………………………………………………. 31

2.9. Глубокие нейронные сети ………………………………………………….. 32

Глава 3. Разработка модели TrackNETv3 для локального трекинга …… 36

3.1. Применение TrackNETv2 к данным коллайдерных экспериментов
на примере BESIII …………………………………………………………………………………. 36

3.2. Разработка классификатора треков-кандидатов………………………. 37

3.2.1. Классификатор на основе внутренних признаков TrackNETv2
3.2.2. Классификатор на основе координат трека …………………….. 39

3.3. Процедура обучения ………………………………………………………………. 40

Глава 4. Разработка программного решения …………………………………….. 43
4.1. Используемые технологии. библиотека Ariadne ……………………… 43

4.2. Разработка модуля трансформаций ………………………………………… 45

4.3. Проектирование стадии подготовки данных …………………………… 48

4.4. Разработка стадии инференса…………………………………………………. 49

Глава 5. Подготовка данных ……………………………………………………………. 52

5.1. Подготовка данных для тестирования и тренировки ………………. 52

5.2. Подготовка данных для классификатора ………………………………… 54

Глава 6. Эксперименты и результаты ………………………………………………. 56

6.1. Оценка результатов трекинга …………………………………………………. 56

6.2. Сравнение результатов экспериментов …………………………………… 58

6.2.1. BESIII………………………………………………………………………………. 58

6.2.2. BM@N …………………………………………………………………………….. 61

6.3. Анализ результатов ……………………………………………………………….. 62

Заключение …………………………………………………………………………………….. 66

Список источников …………………………………………………………………………. 68

Приложение 1 Листинги трансформаций …………………………………………. 73

Приложение 2. Листинги подготовки данных ………………………………….. 89

Приложение 3. Листинги моделей …………………………………………………… 92

Приложение 5. Листинги инференса ……………………………………………….. 95

В данной работе была решена задача трекинга частиц в экспериментах с
детекторами на основе ГЭУ на примере BESIII и BM@N. Особенность этих
экспериментов заключается в том, что детекторы в них регистрируют не
только пролетающие сквозь своё внутреннее пространство частицы, но и
большое количество вторичных частиц или попросту шума, называемых
фейками. В результате методы типа фильтра Калмана перестают
удовлетворять требованиям таких экспериментов по скорости.

В данной работе был развит нейросетевой подход для трекинга частиц.
Была предложена модификация модели TrackNETv2. Так, исследования
показали, что TrackNETv2 не может фильтровать ложные треки для
детекторов с небольшим количеством станций обнаружения, как, например, 3
в эксперименте BESIII. Всего один процент ложных треков отбрасывался, что
не удовлетворяло требованиям физиков по качеству трекинга. Эта модель
была изменена путем добавления части классификатора для фильтрации
фейковых треков-кандидатов, что расширило ее возможности обобщения.
Также была существенно переработана процедура обучения и тестирования
данной модели.

Разработанный подход был также адаптирован для эксперимента
BM@N, что привело к увеличению качества трекинга на данном эксперименте
и подтвердило целесообразность использования данного метода локального
трекинга не только в экспериментах с низкими энергиями взаимодействия, но
и в экспериментах с более высокими энергиями.

Для разработки системы локального трекинга использовалась и
дополнялась открытая библиотека для нейросетевого трекинга Ariadne. При
решении задач, описанных в данной работе, библиотека была дополнена
модулями для подготовки данных, их трансформации, режима инференса.
Кроме того, как базовая модель TrackNETv2, так и новая модель TrackNETv3
вошли в набор готовых моделей этой библиотеки, а методы подготовки
данных для экспериментов BM@N и BESIII также стали частью этой
библиотеки.