Применение глубоких нейронных сетей к задаче трекинга для детектора GEM в эксперименте BM@N мегапроекта NICA
Отслеживание частиц является актуальной проблемой в современных детекторах физики высоких энергий, производящих огромное количество данных, таких как эксперименты на будущем коллайдере NICA. Восстановление треков частиц является одной из важных частей таких экспериментов, но существующие алгоритмы трекинга плохо масштабируются с растущим потоком данных. В то же время новые эффективные методы отслеживания, основанные на графовых нейронных сетях (GNN), активно разрабатываются и тестируются в проекте HEP.TrkX в CERN, и одновременно с этим для детекторов GEM достигаются впечатляющие результаты в области рекуррентных нейронных сетей (RNN).
В настоящей работе представлен оригинальный подход с использованием GNN и некоторые улучшения подхода RNN для детектора GEM эксперимента BM@N мегапроекта NICA. Этот подход хорошо адаптирован для решения известной проблемы ложных срабатываний детектора, присущей стриповым детекторам, таким как GEM, с помощью оригинального применения алгоритма минимального связующего дерева. В работе представляются результаты обучения нейронных сетей, показывающие, что предложенные подходы работают корректно и эффективно.
Введение 4
1. Постановка задачи 7
2. Обзор существующих решений 8
2.1. Конформное отображение . . . . . . . . . . . . . . . . . . 9
2.2. Преобразование Хафа . . . . . . . . . . . . . . . . . . . . . 10
2.3. Прослеживание трека . . . . . . . . . . . . . . . . . . . . . 11
2.4. Метод наименьших квадратов . . . . . . . . . . . . . . . . 12
2.5. Фильтр Калмана . . . . . . . . . . . . . . . . . . . . . . . . 14
2.6. Подходы на основе фильтра Калмана в наши дни . . . . 15
2.7. Подходы, использующие нейронные сети . . . . . . . . . 16
2.8. Вывод . . . . . . . . . . . . . . . . . . . . . . . . . . . . . . 19
3. Основная часть 20
3.1. Используемые технологии . . . . . . . . . . . . . . . . . . 20
3.1.1. Pandas . . . . . . . . . . . . . . . . . . . . . . . . . 20
3.1.2. PyTorch и TensorFlow . . . . . . . . . . . . . . . . . 21
3.2. Описание эксперимента BM@N мегапроекта NICA . . . . 22
3.2.1. Схема работы микрострипового детектора . . . . 23
3.2.2. Особенности реконструкции координат точек трека 24
3.3. Препроцессинг данных . . . . . . . . . . . . . . . . . . . . 25
3.4. Модификация рекуррентной сети для трекинга . . . . . . 28
3.5. Графовая нейронная сеть (GNN) . . . . . . . . . . . . . . 30
3.5.1. Итерации Edge-Node . . . . . . . . . . . . . . . . . 31
3.5.2. Сравнение использования GNN для GEM детекто-
ра и LHC . . . . . . . . . . . . . . . . . . . . . . . . 31
3.6. Статистический анализ данных . . . . . . . . . . . . . . . 34
3.7. Минимальное остовное дерево . . . . . . . . . . . . . . . . 35
3.8. Результаты обучения . . . . . . . . . . . . . . . . . . . . . 38
3.8.1. Вывод . . . . . . . . . . . . . . . . . . . . . . . . . . 40
Заключение 41
Список литературы 42
В ходе решения задач любого уровня сложности всегда появляется
необходимость работать с информацией̆. В современном мире зачастую
правильная обработка и интерпретация данных является ключом к ре-
шению многих проблем. Особенно актуально это будет и в ближайшем
будущем, так как близится новая эпоха намного более значительных
как по объему, так и по трудоемкости вычислений задач. И именно
из-за этого необходимо использовать самые современные способы и ин-
струменты для работы с такими огромными массивами данных.
В частности, экспериментальная физика высоких энергий и ядерная
физика требуют не только гигантских комплексов для распределенных
вычислений и соответствующих сетевых инфраструктур, но и того, что
является наиболее важным в контексте настоящей̆ работы – подходов
машинного обучения для поиска неочевидных закономерностей̆ в дан-
ных для получения наиболее вероятного прогноза изучаемых явлений.
Искусственные нейронные сети с их способностью к обучению и само-
обучению являются эффективными инструментами машинного обуче-
ния, поэтому физики накопили довольно обширный̆ опыт применения
различных нейронных сетей̆ во многих экспериментах: для распозна-
вания треков заряженных частиц, колец черенковского излучения, фи-
зических проверок гипотез и обработки изображений. Одной из основ-
ных составляющих частей современных экспериментов физики высоких
энергий является задача трекинга частиц в детекторах. При решении
такой задачи исследователи сталкиваются с большим количеством про-
блем, возникающих как на этапе работы с оборудованием детектора,
так и с проблемами отслеживания траекторий частиц.
Проблема восстановления траекторий пролёта элементарных частиц,
образовавшихся при взаимодействиях пучков в современных экспери-
ментах физики высоких энергий и ядерной физики, по данным, полу-
ченным в результате регистрации следов каждой частицы элемента-
ми электронных детекторов, является особенно важной и сложной для
физиков-экспериментаторов. Наиболее актуальными сейчас являются
эксперименты с тяжелыми ионами, позволяющие проверить физиче-
ские теории о свойствах барионной материи и ненайденным пока ее
состоянием, называемым кварк-глюонной плазмой. Такие эксперимен-
ты бывают двух типов: в одних пучок тяжелых ионов, разогнанных
ускорителем до субсветовой скорости, ударяет в мишень так, что про-
дукты взаимодействия в виде сотен и тысяч траекторий, называемых
треками, летят вперед в узком конусе и регистрируются в специальных
трековых детекторах. К такому типу относится эксперимент BM@N,
обработке трековых данных с которого посвящена настоящая диссер-
тация.
Другой тип экспериментов – коллайдерные, когда мишени нет, а со-
ударяются ионы разных зарядов, пучки которых разгоняются ускорителем-
коллайдером в противоположных направлениях так, чтобы после раз-
гона пучки могли столкнуться с удвоенной скоростью. К такому типу
относятся коллайдерные эксперименты, проводимые в ЦЕРНе на боль-
шом адронном коллайдере (БАК) и планируемые эксперименты MPD
и SPD, которые будут работать на коллайдере NICA в ОИЯИ. В отли-
чии от экспериментов с фиксированной мишенью, треки частиц, образо-
вавшихся при столкновении ионов, разлетаются в пространстве внутри
установки во все стороны под углами, распределенными в 4π.
Трековые детекторы в обоих типах экспериментов помещены внутрь
сильных магнитов, чтобы по искривлению траектории каждой части-
цы, образовавшейся в результате столкновения, определить ее импульс,
позволяющий идентифицировать эту частицу.
Трековые детекторы в экспериментах с фиксированной мишенью
состоят из координатных плоскостей, образованных электронными эле-
ментами, в которых появляется сигнал, наведенный пролетевшей рядом
частицей. В случае пиксельного детектора эти элементы состоят из ма-
лых ячеек – педов, регистрирующих двумерные координаты сигнала.
Однако из-за большой дороговизны таких детекторов, более популяр-
ными стали детекторы, состоящие из чувствительных линейных эле-
ментов – проволочек в электростатическом поле или тонких полосок –
стрипов на силиконовой подложке. Пролетевшая частица ”зажигает”,
т. е. активирует линию в координатной плоскости, а для получения
второй координаты нужна еще одна близкая плоскость с другим на-
правлением стрипов или проволочек. Пересечение зажженных линий
и даст нам координаты места близко от которого пролетела частица.
Следует сразу же отметить большое неудобство, которым приходится
платить за выбор более дешевых стриповых детекторов: когда частиц
много, то помимо реальных пересечений, соответствующих месту про-
лета частицы, появится еще на порядок больше ложных пересечений,
очень и очень засоряющих результаты измерений.
Таким образом, задача восстановления траекторий частиц в совре-
менных стриповых детекторах актуальна и в наши дни. Огромное коли-
чество «ложных» срабатываний при регистрации частиц в детекторах
такого типа, а отсюда необходимость их обработки с максимальной точ-
ностью наиболее эффективным образом, является одной из основных
проблем, которые будут возникать в ходе использования GEM детек-
тора эксперимента BM@N мегапроекта NICA. Решение такой задачи и
является целью настоящей работы.
В рамках магистерской диссертации были выполнены все постав-
ленные задачи.
1. Выполнен обзор существующих подходов к задаче трекинга ча-
стиц.
2. Разработан алгоритм препроцессинга модельных данных сгенери-
рованных для GEM детектора.
3. Разработан и протестирован подход к задаче трекинга с исполь-
зованием глубоких нейронных сетей.
Хочешь уникальную работу?
Больше 3 000 экспертов уже готовы начать работу над твоим проектом!
4.9 (343 отзыва)
4.8 (13 отзывов)
5 (8 отзывов)
5 (158 отзывов)
4.9 (37 отзывов)
5 (21 отзыв)
5 (49 отзывов)
4.8 (37 отзывов)
4.4 (93 отзыва)
