Jun, 2021

一个常见的跟踪软件项目

PDF
TL;DR本论文提出了一个基于 ATLAS 实验的通用跟踪软件（ACTS），它支持多线程事件处理和高级轨迹重建工具，且不依赖探测器技术和磁场细节实现。该软件用于处理粒子物理，核物理以及高亮度 LHC 等领域的实验数据分析。
particle physicsnuclear physicstrack reconstructionhigh-luminosity lhcmulti-threaded event processing
发现论文，激发创造
  • CMS 探测器跟踪和主顶点重建的描述和性能

    本文介绍了为 CMS 跟踪仪器开发的软件算法，用于在质子 - 质子相互作用中重建带电粒子的轨迹和使用其结果来估计 LHC 亮区和单个主要相互作用顶点的位置，并表明这些算法在 LHC 的非常恶劣的环境下性能良好。

    May, 2014

  • 基于 GNN 和 CKF 的组合轨道发现

    应用图神经网络（GNN）在轨道重建中，结合经典组合卡尔曼滤波（CKF）算法，有效解决内外区域的 3D 测量数据差异，提高高能物理粒子探测器在高亮升级大型强子对撞机（HL-LHC）上的轨道重建性能。

    Jan, 2024

  • 用于轨迹重建的新型深度学习方法

    研究报告介绍了瑞士大型强子对撞机粒子轨迹重建中机器学习的解决方案，包括两种新的基于 RNN 和 GNN 的深度学习模型，能够高效地处理具有时序关联性和连通性的空间点数据。

    Oct, 2018

  • 应用深度学习方法分析 Imaging Atmospheric Cherenkov Telescopes 数据

    采用卷积神经网络来分析 Gamma 射线瞬发源图像数据，可以提高背景拒绝性能并保持分辨能力，为研究 IACT 事件记录提供了可行性。

    Mar, 2018

  • 跟踪机器学习挑战：精度阶段

    采用众包和机器学习等方法，解决粒子轨迹跟踪等高能物理实验中的难题，并在跟踪机器学习挑战赛中得出了一些算法结果。

    Apr, 2019

  • CMS 探测器中的粒子流重建和全局事件描述

    该论文介绍了针对 CMS 探测器开发的全面的局域流重建算法，该算法已成功应用于首个强子对撞机物理分析，并且在堆积衰减、能量分辨率等方面具有优越的性能表现。

    Jun, 2017

  • 用于粒子流重建的可扩展神经网络模型与万亿级数据集

    研究了可扩展的机器学习模型，用于基于高粒度探测器模拟的高能电子 - 正电子碰撞的完全事件重建。比较了图神经网络和基于核的变压器，并证明两者在实现逼真的粒子流重建时，同时避免了二次内存分配和计算成本。展示了在超级计算机上进行的超参数调整显著改善了模型的物理性能。还展示了所得模型在支持 Nvidia、AMD 和 Intel Habana 卡的硬件处理器上具有高度可移植性。最终证明了该模型可以在由径迹和电量计击中构成的高粒度输入上进行训练，从而获得与基线相竞争的物理性能。根据可寻找、可获取、可互用和可复用（FAIR）原则发布了用于重现研究的数据集和软件。

    Sep, 2023

  • CMS 高粒度电磁量能器原型中的电子能量回归

    我们介绍了一个新的公开可用的数据集，其中包含欧洲核子研究中心大型强子对撞机即将安装的新型量热计的模拟数据。通过使用最新的机器学习技术，我们已经构建了一个拥有 12,000 个通道的大型原型，并通过高能电子束的照射对其进行测试。通过释放这些数据，我们希望鼓励机器学习应用专家开发出高效准确的电子能量重建和图像重建方法。

    Sep, 2023

  • 2020 年高能物理软件与计算研发路线图

    本篇白皮书概述了为软件升级所需的研发活动，主要涉及粒子物理学、探测器硬件和 HL-LHC 等方面。

    Dec, 2017

  • 超轨迹：高能物理的神经组合学

    该研究提出了一种新颖的深度学习驱动聚类算法，采用了时空非局部可训练图构造器、图神经网络和集合转换器，通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。

    Sep, 2023