Deep neural networks application to tracking problem for the GEM detector from the BM@N experiment of the NICA megaproject

Abstract

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.

Tracking particles is a challenging problem in modern high-energy physics detectors producing a vast amount of data, such as experiments on the future NICA collider. Particle track reconstruction is one of the important parts of such experiments, but existing tracking algorithms do not scale well with a growing data stream. In the same time, new effective tracking methods based on graph neural network (GNN) are actively developed and tested in the HEP.TrkX project at CERN and simultaneously some interesting results of recurrent neural networks (RNN) are being presented for GEM detectors. This work introduces an original GNN approach and some improvements for RNN approach for the GEM detector of BM@N experiment of the NICA megaproject. This approach is well-adapted for solving the known fake hit problem inherent to strip detectors like GEM with help of minimum spanning tree algorithms. Preliminary results are presented.