发表机构
Ecole Polytechnique, IN2P3-CNRS（巴黎综合理工学院，法国国家科学研究中心粒子与核物理研究所）
机构由 AI 辅助整理，请以论文原文为准。AI 中文总结
针对高亮度LHC高粒度量能器中重叠粒子簇射的分辨问题，提出优化的图神经网络分割模块，通过预测节点级能量分数分离双光子簇射，在降低算法复杂度同时保持分离效率。
AI 中文摘要
高亮度大型强子对撞机上的高粒度量能器需要新颖算法来分辨重叠的粒子簇射。我们提出了一种优化的图神经网络（GNN）分割模块，通过预测节点级能量分数来分离重叠的双光子簇射。通过加速图构建和卷积操作，我们的流程在显著降低算法复杂度的同时实现了有竞争力的分离效率。
英文摘要
High-granularity calorimeters at the High-Luminosity LHC require novel algorithms to resolve overlapping particle showers. We present an optimised Graph Neural Network (GNN) segmentation block that predicts node-level energy fractions to disentangle overlapping two-photon showers. By accelerating graph construction and convolution operations, our pipeline achieves competitive separation efficiency with significantly reduced algorithmic complexity.
