Nový algoritmus pro spojování 3D energetických depozitů založený na grafových neuronových sítích pro experiment CMS na velkém hadronovém urychlovači v CERNu

Abstract

Nadcházející upgrade High-Luminosity Large Hadron Collider (HL-LHC) významně zvýší počet částicových srážek, což představuje výzvu pro stávající algoritmy rekonstrukce srážek kvůli souvisejícímu nárůstu objemu a složitosti dat. V důsledku této změny bude instalován nový High-Granularity kalorimetr (HGCAL) pro experiment Compact Muon Solenoid (CMS), který je mimo zvýšené přesnosti také schopen odolat silnější radiaci v HL-LHC. Během rekonstrukce částicových srážek v HGCAL, pomocí topologického spojování energetických depozitů v jednotlivých vrstvách detektorů vznikají 3D energetické shluky (trackstery). Avšak kvůli nepravidelnosti detektoru, fyzikálním procesům a překryvům částic (pile-up) jsou trackstery často fragmentovány, což snižuje kvalitu rekonstrukce. V této práci jsem prozkoumala aplikaci strojového učení, specificky pak Grafových Neuronových Sítí (GNN), pro zlepšení kalorimetrického shlukování, které je stěžejním prvkem rekonstrukce částicových srážek. Výsledkem mé práce je end-to-end trénovatelný algoritmus na bázi GNN, který spojuje neúplné energetické fragmenty do celistvých tracksterů. Součástí práce byla i následná integrace algoritmu do CMS Software frameworku. Validace výkonnosti shlukování a fyzikální rekonstrukce modelu proběhla na simulovaných datech částicových srážek, přičemž výsledky všech uvedených metrik indikují výrazné zlepšení oproti současně využívané state-of-the-art metodě.

The upcoming High-Luminosity Large Hadron Collider (HL-LHC) upgrade is set to increase the number of particle collisions, which presents a significant challenge to existing reconstruction algorithms. To address the associated rise in data complexity, the Compact Muon Solenoid (CMS) at LHC is developing a new endcap High-Granularity Calorimeter (HGCAL) that can withstand the HL-LHC's harsher conditions and investigate high-energy collisions. During the particle shower reconstruction phase in HGCAL, 3D graph structures called tracksters are produced, believed to originate from the same physics object. However, due to the detector's irregular geometry, physics processes, and particle overlaps (pile-up), tracksters are often fragmented, degrading the reconstruction quality. In this thesis, machine learning approaches are investigated, with a particular emphasis on Graph Neural Network (GNN) models, to enhance event reconstruction through improved calorimetric clustering. An end-to-end trainable GNN-based algorithm for accumulating incomplete energy fragments into well-formed tracksters is proposed with this goal. The algorithm is integrated into the CMS Software package as a linking plug-in, and its clustering and physics reconstruction performance is evaluated on simulation data. The model presented in the thesis outperforms the currently used rule-based state-of-the-art benchmark in all metrics and improves ParticleFlow reconstruction even in the challenging environment of HL-LHC.