Применение глубоких нейронных сетей к задаче трекинга для детектора GEM в эксперименте BM@N мегапроекта NICA

Введение 4
1. Постановка задачи 7
2. Обзор существующих решений 8
2.1. Конформное отображение 9
2.2. Преобразование Хафа 10
2.3. Прослеживание трека 11
2.4. Метод наименьших квадратов 12
2.5. Фильтр Калмана 14
2.6. Подходы на основе фильтра Калмана в наши дни .... 15
2.7. Подходы, использующие нейронные сети 16
2.8. Вывод 19
3. Основная часть 20
3.1. Используемые технологии 20
3.1.1. Pandas 20
3.1.2. PyTorch и TensorFlow 21
3.2. Описание эксперимента BM@N мегапроекта NICA .... 22
3.2.1. Схема работы микрострипового детектора .... 23
3.2.2. Особенности реконструкции координат точек трека 24
3.3. Препроцессинг данных 25
3.4. Модификация рекуррентной сети для трекинга 28
3.5. Графовая нейронная сеть (GNN) 30
3.5.1. Итерации Edge-Node 31
3.5.2. Сравнение использования GNN для GEM детектора и LHC 31
3.6. Статистический анализ данных 34
3.7. Минимальное остовное дерево 35
3.8. Результаты обучения 38
3.8.1. Вывод 40 
Заключение
Список литературы

Купить

В ходе решения задач любого уровня сложности всегда появляется необходимость работать с информацией. В современном мире зачастую правильная обработка и интерпретация данных является ключом к решению многих проблем. Особенно актуально это будет и в ближайшем будущем, так как близится новая эпоха намного более значительных как по объему, так и по трудоемкости вычислений задач. И именно из-за этого необходимо использовать самые современные способы и инструменты для работы с такими огромными массивами данных.
В частности, экспериментальная физика высоких энергий и ядерная физика требуют не только гигантских комплексов для распределенных вычислений и соответствующих сетевых инфраструктур, но и того, что является наиболее важным в контексте настоящей работы - подходов машинного обучения для поиска неочевидных закономерностей в данных для получения наиболее вероятного прогноза изучаемых явлений. Искусственные нейронные сети с их способностью к обучению и само-обучению являются эффективными инструментами машинного обучения, поэтому физики накопили довольно обширный опыт применения различных нейронных сетей во многих экспериментах: для распознавания треков заряженных частиц, колец черенковского излучения, физических проверок гипотез и обработки изображений. Одной из основных составляющих частей современных экспериментов физики высоких энергий является задача трекинга частиц в детекторах. При решении такой задачи исследователи сталкиваются с большим количеством проблем, возникающих как на этапе работы с оборудованием детектора, так и с проблемами отслеживания траекторий частиц.
Проблема восстановления траекторий пролёта элементарных частиц, образовавшихся при взаимодействиях пучков в современных экспериментах физики высоких энергий и ядерной физики, по данным, полученным в результате регистрации следов каждой частицы элементами электронных детекторов, является особенно важной и сложной для физиков-экспериментаторов. Наиболее актуальными сейчас являются эксперименты с тяжелыми ионами, позволяющие проверить физические теории о свойствах барионной материи и ненайденным пока ее состоянием, называемым кварк-глюонной плазмой. Такие эксперименты бывают двух типов: в одних пучок тяжелых ионов, разогнанных ускорителем до субсветовой скорости, ударяет в мишень так, что продукты взаимодействия в виде сотен и тысяч траекторий, называемых треками, летят вперед в узком конусе и регистрируются в специальных трековых детекторах. К такому типу относится эксперимент BM@N, обработке трековых данных с которого посвящена настоящая диссертация.
Другой тип экспериментов - коллайдерные, когда мишени нет, а со-ударяются ионы разных зарядов, пучки которых разгоняются ускорителем- коллайдером в противоположных направлениях так, чтобы после разгона пучки могли столкнуться с удвоенной скоростью. К такому типу относятся коллайдерные эксперименты, проводимые в ЦЕРНе на большом адронном коллайдере (БАК) и планируемые эксперименты MPD и SPD, которые будут работать на коллайдере NICA в ОИЯИ. В отличии от экспериментов с фиксированной мишенью, треки частиц, образовавшихся при столкновении ионов, разлетаются в пространстве внутри установки во все стороны под углами, распределенными в 4п.
Трековые детекторы в обоих типах экспериментов помещены внутрь сильных магнитов, чтобы по искривлению траектории каждой частицы, образовавшейся в результате столкновения, определить ее импульс, позволяющий идентифицировать эту частицу.
Трековые детекторы в экспериментах с фиксированной мишенью состоят из координатных плоскостей, образованных электронными эле-ментами, в которых появляется сигнал, наведенный пролетевшей рядом частицей. В случае пиксельного детектора эти элементы состоят из малых ячеек - педов, регистрирующих двумерные координаты сигнала. Однако из-за большой дороговизны таких детекторов, более популярными стали детекторы, состоящие из чувствительных линейных элементов - проволочек в электростатическом поле или тонких полосок - стрипов на силиконовой подложке. Пролетевшая частица ’’зажигает”, т. е. активирует линию в координатной плоскости, а для получения второй координаты нужна еще одна близкая плоскость с другим направлением стрипов или проволочек. Пересечение зажженных линий и даст нам координаты места близко от которого пролетела частица. Следует сразу же отметить большое неудобство, которым приходится платить за выбор более дешевых стриповых детекторов: когда частиц много, то помимо реальных пересечений, соответствующих месту пролета частицы, появится еще на порядок больше ложных пересечений, очень и очень засоряющих результаты измерений.
Таким образом, задача восстановления траекторий частиц в современных стриповых детекторах актуальна и в наши дни. Огромное количество «ложных» срабатываний при регистрации частиц в детекторах такого типа, а отсюда необходимость их обработки с максимальной точностью наиболее эффективным образом, является одной из основных проблем, которые будут возникать в ходе использования GEM детектора эксперимента BM@N мегапроекта NICA. Решение такой задачи и является целью настоящей работы.
Купить