Нейросетевая реализация глобального метода реконструкции первичных вершин событий для внутреннего детектора эксперимента BESIII
Боковая панель статьи
Основное содержимое статьи
Аннотация
В данной работе рассматривается способ предсказания положения вершины события с использованием сверточной нейронной сети, причем еще до этапа реконструкции треков. Распознавание траекторий частиц (треков) по данным экспериментальных измерений играет ключевую роль в реконструкции событий в физике высоких энергий. Внутренний детектор эксперимента BESIII имеет всего 3 цилиндрические GEM-станции, поэтому трек в магнитном поле, зарегистрированный только двумя станциями, невозможно восстановить без дополнительной информации. По двум хитам можно лишь определить направление движения частицы, поэтому необходимо знать первичную вершину события. В качестве метрики для определения качества работы нейросети было использовано среднее абсолютное отклонение (MAE) координат предсказанной вершины от заранее известной из моделирования истинной первичной вершины события. Обученная модель может предсказывать первичную вершину события со средней абсолютной ошибкой равной 0,009. Для решения задачи поиска вершины события в данной статье предлагается применить модель глубокой сверточной нейронной сети LOOT, которая обрабатывает все треки события сразу, как 3D-изображение, и после обучения, способна предсказать первичную вершину с допустимой точностью.
Скачивания
Информация о статье
Библиографические ссылки
Frühwirth R., Application of Kalman filtering to track and vertex fitting //N uclear Instruments and Methods in Physics Research Section A: Accelerators, Spectrometers, Detectors and Associated Equipment. 1987. Vol. 262. N 2–3. P. 444–450.
Goncharov P., Shchavelev E., Ososkov G., Baranov D. BM@N Tracking with Novel Deep Learning Methods // EPJ Web Conf. Mathematical Modeling and Computational Physics. 2020. Vol. 226. P. 03009. doi.org/10.1051/epjconf/202022603009.
Goncharov P., Ososkov G., Baranov D. Particle track reconstruction with the TrackNETv2 // AIP Conference Proceedings. Vol. 2163. P. 040003.
Ablikim M., et al. Design and construction of the BESIII detector // Nuclear Instruments and Methods in Physics Research Section A: Accelerators Spectrometers Detectors and Associated Equipment. 2010. Vol. 614. N. 3. P. 345–399.
Deng Z., et al. HEP & NP 30. 2006. Vol. 30. N .5. P. 371–377.
Marcello S., et al. The new CGEM Inner Tracker and the new TIGER ASIC for the BES III Experiment // PoS EPS-HEP2017. 2017. P. 505.
Николенко С. И., Кадурин А. А., Архангельская Е. О. Глубокое обучение. Спб. : Питер, 2018. 480 с.
Goncharov P., Ososkov G., Baranov D., Shengsen S., Yao Z. Proceedings of the 27th Symposium on Nuclear Electronics and Computing: LOOT: novel end-to-end trainable convolutional neural network for particle track reconstruction (NEC 2019), Budva, Montenegro. Vol. 2507. P. 130–134 (2019).
Ronneberger O. Fischer P., Brox T., U-net: Convolutional networks for biomedical image segmentation // International Conference on Medical image computing and computer-assisted intervention. Springer, Cham, 2015. P. 234–241.
Ablyazimov T., Zyzak M., Ivanov V., Kisel P. PEPAN Letters. Vol. 11. N. 4. P. 828–846.