Development of the local tracking system in collider experiments using deep learning methods

Abstract

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.

Particle tracking is a fundamental part of data analysis for collider experiments. Many experiments of this type use GEM-detectors for particle track registration. Such detectors have good performance, but at the same time they produce a large number of fake hits due to their construction. Default method for tracking is Kalman filter, but it requires hard weight initial seeding procedure, does not parallelize easily, and has exponential complexity in relation to event multiplicity . In this paper the solution for identification and reconstruction of tracks based on deep neural network called TrackNETv2 is presented. This model is lightweight, efficient and can be trained using Monte-Carlo simulation. In this paper is used data modelled for BM@N and BESIII. Experiments on BESIII data revealed restrictions of original model and hence some new blocks for this model were added developing it to TrackNETv3. New training scheme of original model is proposed and fast index search is adapted to optimize the inference stage. In this paper these ideas were evaluated on simulated data and its strengths and limitations for application in the tracking challenge were discussed.