相关实验视频
Updated: May 10, 2025
10:32
Image-based Lagrangian Particle Tracking in Bed-load Experiments
Published on: July 20, 2017
8.9K
轨道变形仪:为高亮度LHC时代寻找基于变压器的粒子跟踪
Sascha Caron1,2, Nadezhda Dobreva3, Antonio Ferrer Sánchez4,5
1High-Energy Physics, Radboud University, Nijmegen, The Netherlands.
The European physical journal. C, Particles and fields
|April 28, 2025
概括
机器学习以大型语言模型为灵感,为高能物理中的粒子轨迹重建提供了一种新的解决方案. 一次性变压器方法显示了高数据环境中高效和准确的命中分配的前景.
科学领域:
- 高能物理 高能物理
- 计算物理 计算物理
背景情况:
- 高能物理实验产生了大量的数据集,需要先进的数据处理技术.
- 粒子轨迹重建 (跟踪) 是数据分析中的一个计算密集的瓶.
- 高亮度LHC升级将加剧数据处理的挑战.
研究的目的:
- 探索用于粒子轨迹重建的机器学习 (ML) 辅助解决方案.
- 为了研究大语言模型 (LLM) 启发的命中分配方法的应用.
- 评估用于跟踪任务的变压器和U-Net架构.
主要方法:
- 实验了基于变压器和U-Net模型的轨道协会预测.
- 开发了两种LLM启发的方法:下一个命中预测和一次性事件预测.
- 利用REDVID模拟和TrackML数据集,创建了五个不同复杂度的数据集.
主要成果:
- 基于预测准确性和计算性能进行评估的模型.
- 在不同的模型设计中,确定了不同模型设计在准确性和速度方面的明显优势.
- 证明了拟议的ML方法的效率和可行性.
结论:
- 一次性编码器-分类器变压器解决方案是粒子跟踪的实用和高效方法.
- 在高数据场景中,ML辅助跟踪显著改进了传统方法.
- 该研究验证了LLM启发的技术在粒子物理数据分析中的有效性.
