ATLASミューオン分光器における荷電粒子トラッキングのためのビジョントランスフォーマーとグラフニューラルネットワーク

arXiv cs.LG / 2026/3/30

💬 オピニオンSignals & Early TrendsIdeas & Deep AnalysisModels & Research

共有:

要点

本論文は、2030年以降に向けてハイ・ルミノシティLHCの条件が強まることで衝突回数と検出器のオキュパンシーが増加する中、ATLASミューオン分光器におけるミューオンの同定と再構成がますます難しくなっている課題に取り組む。
背景ヒットの除去のためのグラフニューラルネットワーク手法を提案し、ATLASの非機械学習（非ML）再構成パイプラインに統合することで、処理速度が15%向上したと報告している（255 msから217 msへ）。
さらに、ビジョントランスフォーマーを用いたエンドツーエンドのミューオントラッキングの概念実証を示し、家庭用グレードのGPUで2.3 ms程度の推定再構成を達成し、トラッキング効率は98%である。
本研究は、特に高い相互作用密度下において、ATLASのトリガーシステム、とりわけEvent Filter内での、より効率的かつ頑健なリアルタイム処理を可能にすることに焦点を当てている。

要旨: ムオンなどの荷電粒子の同定と再構成は、大型ハドロン衝突型加速器（Large Hadron Collider）におけるATLAS実験の物理プログラムにとって主要な課題である。この作業は、2030年以降にHigh-Luminosity LHC（高輝度LHC）時代が始まると、1バンチ交差あたりの陽子-陽子衝突数が60から最大200へ増加するため、ますます困難になる。この相互作用密度の上昇はATLASミューオン分光器内の占有率も増大させ、実験のトリガーシステム、特にEvent Filterにおいて、より効率的で頑健なリアルタイムデータ処理戦略が必要となる。これらのアルゴリズム上の課題に対処するため、我々は2つの機械学習に基づくアプローチを提示する。第一に、非機械学習（non-ML）のベースライン再構成チェーンに統合したグラフニューラルネットワークを用いて、ミューオン分光器におけるバックグラウンドヒットの拒否問題を対象とし、再構成速度を15%改善（255 msから217 msへ）することを示す。第二に、最先端のVision Transformerアーキテクチャによるエンドツーエンドのミューオン・トラッキングの概念実証を提示し、98%のトラッキング効率を達成しつつ、コンシューマ向けGPU上で2.3 msという超高速の近似ミューオン再構成を実現する。