論文の概要: Combined track finding with GNN & CKF

• arxiv url: http://arxiv.org/abs/2401.16016v1
• Date: Mon, 29 Jan 2024 10:05:37 GMT
• ステータス: 処理完了
• システム内更新日: 2024-01-30 15:14:53.097832
• Title: Combined track finding with GNN & CKF
• Title（参考訳）: GNNとCKFを組み合わせたトラック探索
• Authors: Lukas Heinrich, Benjamin Huth, Andreas Salzburger, Tilo Wettig
• Abstract要約: グラフニューラルネットワーク(GNN)は、高い多重性シナリオにおいて、良好なトラックフィニング性能を示す。 GNNは主に3D空間情報を頼りにしており、これは外側の領域でのトラックフィリング性能を低下させる可能性がある。 本稿では,GNNに基づくトラック探索と,従来のコンビネータカルマンフィルタ(CKF)アルゴリズムを組み合わせることで,この問題を回避する方法を提案する。
• 参考スコア（独自算出の注目度）: 0.10923877073891444
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The application of Graph Neural Networks (GNN) in track reconstruction is a promising approach to cope with the challenges arising at the High-Luminosity upgrade of the Large Hadron Collider (HL-LHC). GNNs show good track-finding performance in high-multiplicity scenarios and are naturally parallelizable on heterogeneous compute architectures. Typical high-energy-physics detectors have high resolution in the innermost layers to support vertex reconstruction but lower resolution in the outer parts. GNNs mainly rely on 3D space-point information, which can cause reduced track-finding performance in the outer regions. In this contribution, we present a novel combination of GNN-based track finding with the classical Combinatorial Kalman Filter (CKF) algorithm to circumvent this issue: The GNN resolves the track candidates in the inner pixel region, where 3D space points can represent measurements very well. These candidates are then picked up by the CKF in the outer regions, where the CKF performs well even for 1D measurements. Using the ACTS infrastructure, we present a proof of concept based on truth tracking in the pixels as well as a dedicated GNN pipeline trained on $t\bar{t}$ events with pile-up 200 in the OpenDataDetector.
• Abstract（参考訳）: トラック再構成におけるグラフニューラルネットワーク(GNN)の適用は、大型ハドロン衝突型加速器(HL-LHC)の高輝度アップグレードで生じる課題に対処するための有望なアプローチである。 GNNは高い多重性シナリオにおいて良好なトラックフィニング性能を示し、異種計算アーキテクチャ上で自然に並列化可能である。 典型的な高エネルギー物理検出器は、頂点再構成をサポートするため最内側層では高分解能であるが、外側部では低分解能である。 gnnは主に3d空間ポイント情報に依存しているため、外部領域でのトラック探索性能が低下する可能性がある。 本稿では,GNNをベースとしたトラック探索と,従来のコンビネータカルマンフィルタ(CKF)アルゴリズムを組み合わせることで,この問題を回避する方法を提案する。 これらの候補は、外部領域のCKFによって拾い上げられ、CKFは1次元計測でもよく機能する。 ACTSのインフラストラクチャを使って、ピクセル内の真理追跡に基づく概念実証と、$t\bar{t}$イベントをトレーニングした専用のGNNパイプラインをOpenDataDetectorに200個重ねて提示する。

関連論文リスト

• Spatio-Spectral Graph Neural Networks [50.277959544420455]
  比スペクトルグラフネットワーク(S$2$GNN)を提案する。 S$2$GNNは空間的およびスペクトル的にパラメータ化されたグラフフィルタを組み合わせる。 S$2$GNNsは、MPGNNsよりも厳密な近似理論誤差境界を生じる。
  論文  参考訳（メタデータ） (2024-05-29T14:28:08Z)
• Separable Gaussian Neural Networks: Structure, Analysis, and Function Approximations [2.17301816060102]
  我々は新しいフィードフォワードネットワーク-分離型ガウスニューラルネットワーク(SGNN)を提案する。 SGNNはガウス関数の分離性を利用して、データを複数の列に分割し、順次並列層にフィードする。 実験により,SGNNはGRBFNNよりも100倍の精度で高速化できることが示された。
  論文  参考訳（メタデータ） (2023-08-13T03:54:30Z)
• Hierarchical Graph Neural Networks for Particle Track Reconstruction [0.6524460254566905]
  階層グラフニューラルネット(HGNN)と呼ばれる粒子追跡のための新しい変種GNNを導入する。 このアーキテクチャは、トラックに対応する高レベルの表現を作成し、これらのトラックにスペースポイントを割り当て、切断されたスペースポイントを同じトラックに割り当て、同じスペースポイントを共有するために複数のトラックを割り当てることを可能にする。 従来のMLベースのトラッキングアルゴリズムと比較して、HGNNは、トラッキング効率の向上、非効率な入力グラフに対する堅牢性の向上、従来のGNNと比較して収束性の向上を実現している。
  論文  参考訳（メタデータ） (2023-03-03T00:14:32Z)
• Graph Neural Networks are Inherently Good Generalizers: Insights by Bridging GNNs and MLPs [71.93227401463199]
  本稿では、P(ropagational)MLPと呼ばれる中間モデルクラスを導入することにより、GNNの性能向上を本質的な能力に向ける。 PMLPは、トレーニングにおいてはるかに効率的でありながら、GNNと同等(あるいはそれ以上)に動作することを観察する。
  論文  参考訳（メタデータ） (2022-12-18T08:17:32Z)
• A Comprehensive Study on Large-Scale Graph Training: Benchmarking and Rethinking [124.21408098724551]
  グラフニューラルネットワーク(GNN)の大規模グラフトレーニングは、非常に難しい問題である 本稿では,既存の問題に対処するため,EnGCNという新たなアンサンブルトレーニング手法を提案する。 提案手法は,大規模データセット上でのSOTA(State-of-the-art)の性能向上を実現している。
  論文  参考訳（メタデータ） (2022-10-14T03:43:05Z)
• Superiority of GNN over NN in generalizing bandlimited functions [6.3151583550712065]
  グラフニューラルネットワーク(GNN)は、さまざまなアプリケーションにまたがってグラフベースの情報を処理するための強力なリソースとして登場した。 本研究では,これらの分類におけるGNNの習熟度について検討する。 以上の結果から,GNNを用いた帯域制限関数を$varepsilon$-errorマージン内で一般化する上で,高い効率性を示した。
  論文  参考訳（メタデータ） (2022-06-13T05:15:12Z)
• VQ-GNN: A Universal Framework to Scale up Graph Neural Networks using Vector Quantization [70.8567058758375]
  VQ-GNNは、Vector Quantization(VQ)を使用して、パフォーマンスを損なうことなく、畳み込みベースのGNNをスケールアップするための普遍的なフレームワークである。 我々のフレームワークは,グラフ畳み込み行列の低ランク版と組み合わせた量子化表現を用いて,GNNの「隣の爆発」問題を回避する。
  論文  参考訳（メタデータ） (2021-10-27T11:48:50Z)
• Search For Deep Graph Neural Networks [4.3002928862077825]
  現在のGNN指向NAS法は、浅い単純なアーキテクチャを持つ異なる層集約コンポーネントの探索に重点を置いている。 本稿では,新しい2段階探索空間を持つGNN生成パイプラインを提案する。 実世界のデータセットの実験では、生成したGNNモデルは、既存の手動設計やNASベースのモデルよりも優れています。
  論文  参考訳（メタデータ） (2021-09-21T09:24:59Z)
• Training Graph Neural Networks with 1000 Layers [133.84813995275988]
  我々は、GNNのメモリとパラメータ効率を向上させるために、可逆接続、グループ畳み込み、重み付け、平衡モデルについて検討する。 我々の知る限りでは、RevGNN-Deepは文学で最も深いGNNである。
  論文  参考訳（メタデータ） (2021-06-14T15:03:00Z)
• Charged particle tracking via edge-classifying interaction networks [0.0]
  本研究では, HL-LHCで期待される高ピーク条件下での荷電粒子追跡問題に対して, 物理学的動機付き相互作用ネットワーク(IN) GNNを適用した。 我々は、GNNに基づくトラッキングの各段階での一連の測定を通して、INの優れたエッジ分類精度と追跡効率を実証する。 提案したINアーキテクチャは,従来研究されていたGNNトラッキングアーキテクチャよりも大幅に小さく,制約のある計算環境においてGNNベースのトラッキングを実現する上で重要なサイズ削減である。
  論文  参考訳（メタデータ） (2021-03-30T21:58:52Z)
• LGNN: A Context-aware Line Segment Detector [53.424521592941936]
  我々はLine Graph Neural Network (LGNN) と呼ばれる新しいリアルタイム線分検出手法を提案する。 我々のLGNNは、線分を直接提案するディープ畳み込みニューラルネットワーク(DCNN)と、それらの接続性を推論するためのグラフニューラルネットワーク(GNN)モジュールを使用している。 最先端と比較して、LGNNは精度を損なうことなくほぼリアルタイムのパフォーマンスを達成する。
  論文  参考訳（メタデータ） (2020-08-13T13:23:18Z)

関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。

指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。