在数字跟踪热量计中向神经带电粒子跟踪,使用强化学习

科学领域:

• 高能物理 高能物理
• 计算物理 计算物理
• 机器学习 机器学习

背景情况:

• 带电粒子跟踪在高能物理中对于识别粒子轨迹至关重要.
• 重建这些路径是具有挑战性的,因为高颗粒的多重性和复杂的相互作用.
• 目前的方法通常依赖于模拟或手动标记的数据,限制了灵活性.

研究的目的:

• 开发一种新的强化学习技术,用于数字跟踪热量计中的带电粒子重建.
• 通过使用试错优化方法来克服对模拟或标记数据的依赖.
• 为了提高粒子跟踪算法的速度,准确性和稳定性.

主要方法:

• 利用强化学习来优化行为策略,以接近组合优化.
• 采用图形结构数据表示,连接检测器层中的粒子命中.
• 专注于最大限度地提高采样粒子轨迹的物理可信性.

主要成果:

• 在模拟数据上展示了强化学习方法的高潜力和竞争力.
• 将方法与启发式搜索算法和基础真相训练模型进行比较.
• 成功重建了一个质子计算机断层扫描探测器的带电粒子轨迹.

结论:

• 拟议的强化学习技术对数字热量计中的粒子跟踪具有显著的前景.
• 该方法为传统方法提供了可行的替代方案,特别是当标记数据稀缺时.
• 进一步的开发以已识别的局限性为指导,为更强大的基于RL的跟踪解决方案铺平了道路.