End-to-End Multi-Track Reconstruction using Graph Neural Networks at Belle II
Lea Reuter, Giacomo De Pietro, Slavomira Stefkova, Torben Ferber, Valerio Bertacchi, Giulia Casarosa, Luigi Corona, Patrick Ecker, Alexander Glazov, Yubo Han, M… 展开作者
Lea Reuter, Giacomo De Pietro, Slavomira Stefkova, Torben Ferber, Valerio Bertacchi, Giulia Casarosa, Luigi Corona, Patrick Ecker, Alexander Glazov, Yubo Han, Martina Laurenza, Thomas Lueck, Ludovico Massaccesi, Suryanarayan Mondal, Bianca Scavino, Stefano Spataro, Christian Wessel, Laura Zani
本文提出基于图神经网络的 Belle II 中心漂移室端到端多径迹重建算法，可直接预测径迹数与运动学属性并聚类击中，在逼真模拟中显著提升复杂拓扑下的重建效率。
摘要：
我们提出了一项针对 SuperKEKB 对撞机上 Belle II 实验中心漂移室的端到端多径迹重建算法研究，该算法使用图神经网络处理数量未知的粒子。算法以探测器击中信息作为输入，且不进行预筛选，同时预测一个事例中的径迹候选数量及其运动学属性。在第二步中，我们为每个径迹候选对探测器击中进行聚类，以传递给径迹拟合算法。利用包含束流诱导本底和取自真实碰撞数据的探测器噪声的逼真全探测器模拟，我们发现，与 Belle II 使用的现有基线算法相比，该算法在多种不同事例拓扑结构中的径迹寻找效率均有显著提升。对于存在一种假设的、质量处于 GeV 量级的长寿命大质量粒子，并沿其飞行方向均匀衰变为两个带电粒子的事例，GNN 实现了 85.4% 的径迹寻找与拟合综合效率，伪迹率为 2.5%；相比之下，基线算法分别为 52.2% 和 4.1%。这是首个用于漂移室探测器、并已在逼真粒子物理环境中应用的端到端多径迹机器学习算法。
英文摘要：
We present the study of an end-to-end multi-track reconstruction algorithm for the central drift chamber of the Belle II experiment at the SuperKEKB collider using Graph Neural Networks for an unknown number of particles. The algorithm uses detector hits as inputs without pre-filtering to simultaneously predict the number of track candidates in an event and their kinematic properties. In a second step, we cluster detector hits for each track candidate to pass to a track fitting algorithm. Using a realistic full detector simulation including beam-induced backgrounds and detector noise taken from actual collision data, we find significant improvements in track finding efficiencies for tracks in a variety of different event topologies compared to the existing baseline algorithm used in Belle II. For events with a hypothetical long-lived massive particle with a mass in the GeV-range decaying uniformly along its flight direction into two charged particles, the GNN achieves a combined track finding and fitting efficiency of 85.4% with a fake rate of 2.5%, compared to 52.2% and 4.1% for the baseline algorithm. This is the first end-to-end multi-track machine learning algorithm for a drift chamber detector that has been utilized in a realistic particle physics environment.
The Design, Construction, Operation and Performance of the Belle II Silicon Vertex Detector
Belle II的硅顶点探测器是一种基于双面硅条传感器的最先进的跟踪和顶点系统，由2012- 2018年期间的大型国际合作设计和制造。自2019年以来，它一直在运行，提供高质量的数据，具有少量的缺陷通道（<1%），高命中率（>99%），良好的信噪比（所有传感器配置和轨道都超过10）。再加上对对准的良好控制，这些都是实现良好跟踪重建和物理性能的必要因素。在这篇扩展的论文中，我们试图记录SVD挑战和成就的各个方面，为更广泛的社区提供信息，并帮助开发高质量的探测器系统，这是进行物理研究的基本工具。
Belle II是一个$B$工厂实验，目标是在2017年开始获取物理数据。目前正在日本筑波KEK设施的SuperKEKB加速器上安装，这是一个非对称的$e^+e^-$对撞机，旨在实现前所未有的$8\cdot10^{35} \textrm{Hz}/\textrm{cm}^2$瞬时亮度。这四十倍的增加超过前人的实验是通过采用一种新的纳米束计划。最初是为现在已经不存在的SuperB实验开发的，这个方案允许在束流只有适度增加的情况下显着增加光度。顶点检测器的挑战来自于增加的数据和背景速率。在全光度下，物理数据将以$30\,\textrm{kHz}$的速率记录。顶点探测器最内层的辐射硬DEPFET传感器将采用一种新的数据减少方案，使用基于事件数据的在线重建的选择性探测器读出读出。Belle II使用软件框架，其中数据处理在各种数据处理模块之间统一。通过这种方式，可以灵活地划分任务，并且可以将相同的软件框架用于各种任务，从高级别触发到最终处理出版物的绘图。跟踪和顶点模块目前正在开发中，我们将讨论它们的功能。
Search for Highly Ionizing Particles with the Pixel Detector at Belle II
Belle II实验位于日本筑波高能研究设施KEK的SuperKEKB对撞机上，于2018年开始运行。与之前的Belle实验相比，Belle II计划通过在相互作用区域采用纳米束技术，将峰值亮度提高约40倍。特别是Belle II的新的最内部子检测器-像素顶点检测器（PXD）-非常接近交互点。这允许检测不在外部子检测器中留下信号的粒子。其中，高电离粒子（HIP）遇到了一个典型的高能量损失，限制了它们进入探测器的穿透深度。反氘核和磁单极子作为可能的HIP被认为是。在外部子检测器中没有信号的情况下，不发出轨道触发，导致可能的信息丢失。识别HIP只与PXD提供的信息的可能性，通过使用神经网络算法在多维参数空间的PXD集群数据。
Fast 4$π$ track reconstruction in nuclear emulsion detectors based on GPU technology
快速4 $π$立体角粒子径迹识别一直是粒子物理领域的一个挑战，特别是在核乳胶探测器上。计算技术的最新进展为实现这一目标开辟了道路。介绍了一种基于GPU技术结合多线程编程的快速4 $π$立体角粒子轨迹重建方法，并对GPU编程和CPU编程进行了详细比较。通过具有优异跟踪性能的GPU，3D乳胶检测器数据的处理速度提高了60倍，相当于每小时扫描15 cm $^2$乳胶表面。
The Belle-II Pixel Vertex Detector at the SuperKEKB Flavor Factory
计划在科索沃能源公司建立一个升级的非对称e+e-香料工厂SuperKEKB。它将提供8 x 10^35 cm^-2 s^-1的光度，从而可以在味道部分进行精确测量，这可以探测远远超出直接观测范围的新物理学。增加的亮度也需要升级Belle探测器。至关重要的是，这里是一个新的硅像素顶点跟踪器，这将显着提高衰减顶点分辨率。这种新的探测器将包括两个探测器层接近的相互作用点，使用DEPFET像素传感器与50微米厚的硅在有效区域。
NuMI离轴现象（英语：NuMI Off-Axis v Appearance，缩写：NOvA）实验是一个长基线中微子振荡实验，使用的是费米实验室的NuMI光束线产生的中微子源。该实验将使用两个功能相同的塑料液体闪烁体填充探测器研究μ子中微子到电子中微子的振荡，该探测器放置在离轴14毫弧度的NuMI光束上。带电中微子相互作用将被用来观察中微子味从识别的最终状态轻子。μ子带电粒子径迹的重建在探测器对准和校准的短期目标以及通过识别μ子带电电流事件的长期振荡分析中起着重要作用。提出了一种基于卡尔曼滤波的μ子径迹识别和径迹拟合的初步方法。
Low Latency Neural Networks using Heterogenous Resources on FPGA for the Belle II Trigger
Belle II触发系统的主要组成部分之一是神经网络触发器。它的任务是估计在实验漂移室中观察到的z-顶点粒子径迹。触发器在FPGA上实现，以确保操作期间的灵活性并利用其IO功能。同时，实现必须在几百纳秒内估计顶点以满足实验的要求。在第一次碰撞期间，该触发器的第一个版本是可操作的。虽然它能够估计顶点，但它在可能的吞吐量和时序收敛方面存在一些缺点。这些都是这项工作的重点，它修改了原来的设计，允许两个网络并行运行，减少路由拥塞。我们进行了重调度的乘法和累加，这是在这样的网络中的基本操作。原设计试图尽可能多地并行化，而重调度则试图通过重用处理模块来减少并行数据传输的数量。这样，DSP的资源消耗减少了40%。为了通过并行操作额外的网络来进一步提高吞吐量，我们研究了用于乘法和累加操作的SRAM-LUT和DSP的平衡使用。利用找到的平衡比率，触发器能够在所需的延迟内在目标FPGA上并行操作两个神经网络。
