추적 재구성은 고에너지 물리 실험에서 중요한 부분입니다. 칼만 필터에 의존하는 전통적인 방법은 감지기 점유율이 증가함에 따라 성능이 저하됩니다. 다가오는 고광도 LHC의 맥락에서, 머신 러닝(ML) 및 딥 러닝 기반의 솔루션은 매우 매력적입니다. 우리는 감지기 신호로부터 추적 정의 매개변수를 추론하기 위해 여러 ML 아키텍처를 훈련하는 가능성을 조사합니다. 우리는 세 가지 트랜스포머 모델 디자인과 하나의 U-Net 아키텍처를 연구하고 비교합니다. 두 가지 가장 유망한 접근 방식을 자세히 설명하고, 최근 개발된 시뮬레이션 프레임워크인 REDuced VIrtual Detector(REDVID)로 생성된 방법론적으로 단순화된 데이터세트에서 물리적 성능 및 추론 속도를 벤치마킹합니다. 두 번째 배치의 단순화된 데이터세트는 TrackML 데이터세트에서 파생되었습니다. 우리의 예비 결과는 추적을 위한 보다 현실적인 데이터에 이러한 딥 러닝 기법을 적용할 수 있는 가능성을 보여주며, 비효율적인 솔루션의 효율적인 제거도 가능하게 합니다.
Caron et al. (화요일,)은 이 질문을 연구했습니다.