論文の概要: Locality-Sensitive Hashing-Based Efficient Point Transformer for Charged Particle Reconstruction

• arxiv url: http://arxiv.org/abs/2510.07594v1
• Date: Wed, 08 Oct 2025 22:36:26 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-10-10 17:54:14.762021
• Title: Locality-Sensitive Hashing-Based Efficient Point Transformer for Charged Particle Reconstruction
• Title（参考訳）: 帯電粒子再構成のための局所感度ハッシュを用いた高効率点変圧器
• Authors: Shitij Govil, Jack P. Rodgers, Yuan-Tang Chou, Siqi Miao, Amit Saha, Advaith Anand, Kilian Lieret, Gage DeZoort, Mia Liu, Javier Duarte, Pan Li, Shih-Chieh Hsu,
• Abstract要約: 本稿では,HEPTと代表GNNに基づくパイプラインの物理追跡性能の統一的,公正な評価を行う。 本稿では、HEPTを軽量デコーダで拡張してHEPTv2を導入し、クラスタリングステージを排除し、トラック割り当てを直接予測する。 TrackMLデータセットでは、最適化されたHEPTv2がA100上で約28msのイベントを達成し、競合的なトラッキング効率を維持している。
• 参考スコア（独自算出の注目度）: 9.405982649278437
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Charged particle track reconstruction is a foundational task in collider experiments and the main computational bottleneck in particle reconstruction. Graph neural networks (GNNs) have shown strong performance for this problem, but costly graph construction, irregular computations, and random memory access patterns substantially limit their throughput. The recently proposed Hashing-based Efficient Point Transformer (HEPT) offers a theoretically guaranteed near-linear complexity for large point cloud processing via locality-sensitive hashing (LSH) in attention computations; however, its evaluations have largely focused on embedding quality, and the object condensation pipeline on which HEPT relies requires a post-hoc clustering step (e.g., DBScan) that can dominate runtime. In this work, we make two contributions. First, we present a unified, fair evaluation of physics tracking performance for HEPT and a representative GNN-based pipeline under the same dataset and metrics. Second, we introduce HEPTv2 by extending HEPT with a lightweight decoder that eliminates the clustering stage and directly predicts track assignments. This modification preserves HEPT's regular, hardware-friendly computations while enabling ultra-fast end-to-end inference. On the TrackML dataset, optimized HEPTv2 achieves approximately 28 ms per event on an A100 while maintaining competitive tracking efficiency. These results position HEPTv2 as a practical, scalable alternative to GNN-based pipelines for fast tracking.
• Abstract（参考訳）: 荷電粒子軌道再構成は、コライダー実験の基本課題であり、粒子軌道再構成における主要な計算ボトルネックである。 グラフニューラルネットワーク(GNN)はこの問題に対して高いパフォーマンスを示しているが、コストのかかるグラフ構築、不規則な計算、ランダムメモリアクセスパターンはスループットを著しく制限している。 HEPT(Hash-based Efficient Point Transformer)が最近提案したHEPT(Efficient Point Transformer)は,ローカリティ・センシティブ・ハッシング(Locality-sensitive hashing, LSH)による注意計算による大規模クラウド処理において,理論的に保証されたニアリニアな複雑性を提供するものだが,その評価は組込み品質に重点を置いており,HEPTが依存するオブジェクト凝縮パイプラインには,実行時を支配可能なポストホッククラスタリングステップ(例えばDBScan)が必要である。 この作業では2つのコントリビューションを行います。 まず、HEPTと代表的GNNベースパイプラインの物理追跡性能を、同一のデータセットとメトリクスで統一的かつ公平に評価する。 第2に、HEPTを軽量デコーダで拡張してHEPTv2を導入し、クラスタリングステージを排除し、トラック割り当てを直接予測する。 この修正はHEPTの通常のハードウェアフレンドリーな計算を保存し、超高速なエンドツーエンド推論を可能にする。 TrackMLデータセットでは、最適化されたHEPTv2がA100上で約28msのイベントを達成し、競合的なトラッキング効率を維持している。 これらの結果は、HEPTv2を高速トラッキングのためのGNNベースのパイプラインの実用的でスケーラブルな代替品と位置づけている。

関連論文リスト

• Scaling Graph Neural Networks for Particle Track Reconstruction [0.0]
  入力粒子グラフのサンプルをトレーニングするためのExa.TrkXパイプラインの改良を導入する。 我々は、GNNトレーニング用に導入されたパフォーマンス最適化を、拡張されたExa.TrkXパイプラインに適合するように適応する。
  論文  参考訳（メタデータ） (2025-04-07T01:44:32Z)
• Locality-Sensitive Hashing-Based Efficient Point Transformer with Applications in High-Energy Physics [11.182510067821745]
  本研究では,大規模クラウド処理に最適化された新しいトランスモデルを提案する。 本モデルは局所帰納バイアスを統合し,ハードウェアフレンドリーな正規演算とほぼ直線的な複雑性を実現する。 大規模クラウドデータに対するカーネル近似において,LSH(Locality-sensitive hashing),特にOR & AND-construction LSH(OR & AND-construction LSH)の優位性が示された。
  論文  参考訳（メタデータ） (2024-02-19T20:48:09Z)
• Efficient Heterogeneous Graph Learning via Random Projection [58.4138636866903]
  不均一グラフニューラルネットワーク(HGNN)は、異種グラフを深層学習するための強力なツールである。 最近のプリ計算ベースのHGNNは、一時間メッセージパッシングを使用して不均一グラフを正規形テンソルに変換する。 我々はRandom Projection Heterogeneous Graph Neural Network (RpHGNN) というハイブリッド計算前HGNNを提案する。
  論文  参考訳（メタデータ） (2023-10-23T01:25:44Z)
• Efficient Dataset Distillation Using Random Feature Approximation [109.07737733329019]
  本稿では,ニューラルネットワークガウス過程(NNGP)カーネルのランダム特徴近似(RFA)を用いた新しいアルゴリズムを提案する。 我々のアルゴリズムは、KIP上で少なくとも100倍のスピードアップを提供し、1つのGPUで実行できる。 RFA蒸留 (RFAD) と呼ばれる本手法は, 大規模データセットの精度において, KIP や他のデータセット凝縮アルゴリズムと競合して動作する。
  論文  参考訳（メタデータ） (2022-10-21T15:56:13Z)
• LL-GNN: Low Latency Graph Neural Networks on FPGAs for High Energy Physics [45.666822327616046]
  本研究は,粒子検出器のための低グラフニューラルネットワーク(LL-GNN)設計のための新しい再構成可能なアーキテクチャを提案する。 LL-GNNの設計は、洗練されたアルゴリズムが実験データを効率的に処理できるようにすることで、次世代のトリガーシステムを進化させる。
  論文  参考訳（メタデータ） (2022-09-28T12:55:35Z)
• Lightweight Jet Reconstruction and Identification as an Object Detection Task [5.071565475111431]
  我々は、CERN大型ハドロン衝突型加速器で遭遇したジェットのエンド・ツー・エンドの識別と再構築作業に畳み込み技術を適用した。 PFJet-SSDは、クラスタジェットへの同時ローカライゼーション、分類、回帰タスクを実行し、特徴を再構築する。 3次ネットワークは、その完全精度の等価な性能と密に一致し、最先端のルールベースアルゴリズムより優れていることを示す。
  論文  参考訳（メタデータ） (2022-02-09T15:01:53Z)
• FastFlowNet: A Lightweight Network for Fast Optical Flow Estimation [81.76975488010213]
  ディセンス光学フロー推定は、多くのロボットビジョンタスクで重要な役割を果たしています。 現在のネットワークはしばしば多くのパラメータを占有し、計算コストがかかる。 提案したFastFlowNetは、周知の粗大なやり方で、以下のイノベーションで機能する。
  論文  参考訳（メタデータ） (2021-03-08T03:09:37Z)
• Distance-Weighted Graph Neural Networks on FPGAs for Real-Time Particle Reconstruction in High Energy Physics [11.125632758828266]
  FPGA上で1$mumathrms未満のレイテンシで実行できる距離重み付きグラフネットワークの設計方法について論じる。 本研究では,粒子衝突型加速器で動作する次世代熱量計における粒子の再構成と同定に関連する代表的課題について考察する。 我々は、圧縮されたモデルをファームウェアに変換し、FPGA上で実装する。
  論文  参考訳（メタデータ） (2020-08-08T21:26:31Z)
• Learning to Hash with Graph Neural Networks for Recommender Systems [103.82479899868191]
  グラフ表現学習は、大規模に高品質な候補探索をサポートすることに多くの注目を集めている。 ユーザ・イテム相互作用ネットワークにおけるオブジェクトの埋め込みベクトルの学習の有効性にもかかわらず、連続的な埋め込み空間におけるユーザの好みを推測する計算コストは膨大である。 連続的かつ離散的なコードとを協調的に学習するための,単純かつ効果的な離散表現学習フレームワークを提案する。
  論文  参考訳（メタデータ） (2020-03-04T06:59:56Z)

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。