論文の概要: Vision Transformers and Graph Neural Networks for Charged Particle Tracking in the ATLAS Muon Spectrometer

• arxiv url: http://arxiv.org/abs/2603.25793v1
• Date: Thu, 26 Mar 2026 18:00:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-03-30 21:49:48.221165
• Title: Vision Transformers and Graph Neural Networks for Charged Particle Tracking in the ATLAS Muon Spectrometer
• Title（参考訳）: ATLASミューオン分光器における荷電粒子追跡のための視覚変換器とグラフニューラルネットワーク
• Authors: Jonathan Renusch,
• Abstract要約: ミューオンのような荷電粒子の同定と再構成は、ATLAS実験の物理プログラムにおいて大きな課題である。 この問題に対して,機械学習に基づく2つのアプローチを提案する。 まず,非MLベースライン再構成チェーンに統合されたグラフニューラルネットワークを用いて,ムーン分光計の背景ヒット拒絶問題に対処する。 第2に、最先端のVision Transformerアーキテクチャを用いた、エンドツーエンドのミューオントラッキングに関する概念実証を提案する。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: The identification and reconstruction of charged particles, such as muons, is a main challenge for the physics program of the ATLAS experiment at the Large Hadron Collider. This task will become increasingly difficult with the start of the High-Luminosity LHC era after 2030, when the number of proton-proton collisions per bunch crossing will increase from 60 to up to 200. This elevated interaction density will also increase the occupancy within the ATLAS Muon Spectrometer, requiring more efficient and robust real-time data processing strategies within the experiment's trigger system, particularly the Event Filter. To address these algorithmic challenges, we present two machine-learning-based approaches. First, we target the problem of background-hit rejection in the Muon Spectrometer using Graph Neural Networks integrated into the non-ML baseline reconstruction chain, demonstrating a 15 % improvement in reconstruction speed (from 255 ms to 217 ms). Second, we present a proof-of-concept for end-to-end muon tracking using state-of-the-art Vision Transformer architectures, achieving ultra-fast approximate muon reconstruction in 2.3 ms on consumer-grade GPUs at 98 % tracking efficiency.
• Abstract（参考訳）: ミューオンのような荷電粒子の同定と再構成は、大型ハドロン衝突型加速器におけるATLAS実験の物理プログラムにおいて大きな課題である。 この課題は、2030年以降の高輝度LHC時代の開始によってますます難しくなり、また、集団交差当たりの陽子-陽子衝突の回数が60から200に増加する。 この高い相互作用密度は、ATLASミューオン分光器内の占有率を増大させ、実験のトリガーシステム、特にイベントフィルタ内でより効率的で堅牢なリアルタイムデータ処理戦略を必要とする。 これらのアルゴリズム的課題に対処するために,機械学習に基づく2つのアプローチを提案する。 まず,非MLベースライン再構築チェーンに統合されたグラフニューラルネットワークを用いたMuon Spectrometerのバックグラウンドヒット拒絶問題に着目し,再構成速度を15%改善した(255msから217ms)。 第2に、最先端のVision Transformerアーキテクチャを用いて、コンシューマグレードGPUの2.3msでの超高速近似ミューオン再構成を98 %のトラッキング効率で達成し、エンド・ツー・エンドのミューオントラッキングを実証する。

関連論文リスト

• End-to-end event reconstruction for precision physics at future colliders [0.39998518782208786]
  将来のコライダー実験では、ヒッグス、エレクトロオーク、観察可能な風味の測定に前例のない精度が必要である。 現在の粒子流アルゴリズムは検出器特有のクラスタリングに依存しており、検出器設計時の柔軟性を制限している。 ここでは、荷電粒子軌道と熱量計とミューオンが直接粒子レベルオブジェクトにぶつかる、エンドツーエンドのグローバルイベント再構成手法を提案する。
  論文  参考訳（メタデータ） (2026-03-04T13:55:04Z)
• Locality-Sensitive Hashing-Based Efficient Point Transformer for Charged Particle Reconstruction [9.405982649278437]
  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。
  論文  参考訳（メタデータ） (2025-10-08T22:36:26Z)
• TrackFormers Part 2: Enhanced Transformer-Based Models for High-Energy Physics Track Reconstruction [3.324680086692124]
  高エネルギー物理実験は生成したデータ量で急速にエスカレートしている。 本研究では,ハイト間相関を考慮した損失関数の導入,トランスフォーマーの注意機構の詳細な調査,および高次物体の再構成に関する研究により,我々の研究を拡張した。
  論文  参考訳（メタデータ） (2025-09-30T15:38:48Z)
• Dual-Path Enhancements in Event-Based Eye Tracking: Augmented Robustness and Adaptive Temporal Modeling [0.0]
  イベントベースのアイトラッキングは、拡張現実と人間とコンピュータのインタラクションにとって重要な技術となっている。 既存の方法は、突然の眼球運動や環境騒音といった現実的な課題に苦しむ。 まず、時間シフト、空間的フリップ、イベント削除を組み込んだ堅牢なデータ拡張パイプラインにより、モデルのレジリエンスが向上する。 2つ目は、空間的特徴抽出のための効率的なNet-B3バックボーン、文脈時空間モデリングのための双方向GRU、線形時変状態空間モジュールを組み合わせたハイブリッドアーキテクチャであるKnightPupilを提案する。
  論文  参考訳（メタデータ） (2025-04-14T07:57:22Z)
• Exploring Dynamic Transformer for Efficient Object Tracking [58.120191254379854]
  効率的なトラッキングのための動的トランスフォーマーフレームワークであるDyTrackを提案する。 DyTrackは、様々な入力に対して適切な推論ルートを設定することを学習し、利用可能な計算予算をより活用する。 複数のベンチマークの実験では、DyTrackは単一のモデルで有望な速度精度のトレードオフを実現している。
  論文  参考訳（メタデータ） (2024-03-26T12:31:58Z)
• Tracking Meets LoRA: Faster Training, Larger Model, Stronger Performance [87.19164603145056]
  実験室レベルの資源をトラッキングするための大規模ViTモデルのパワーを明らかにする手法であるLoRATを提案する。 私たちの作業の本質は、推論レイテンシを追加することなく、モデルパラメータの小さなサブセットを微調整するテクニックであるLoRAを適用することです。 我々はPETRの適応のみに基づくアンカーフリーヘッドを設計し、計算オーバーヘッドを少なくして性能を向上する。
  論文  参考訳（メタデータ） (2024-03-08T11:41:48Z)
• 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)
• Quantum speedup for track reconstruction in particle accelerators [51.00143435208596]
  我々は,各局所追跡法に存在する基本ルーチンを4つ同定し,標準追跡アルゴリズムの文脈でどのようにスケールするかを解析する。 発見された量子スピードアップは穏やかだが、これは私たちの知識の中でも最高のものであり、高エネルギーの物理データ処理タスクに対する量子上の優位性の最初の厳密な証拠である。
  論文  参考訳（メタデータ） (2021-04-23T13:32:14Z)
• Performance of Particle Tracking Using a Quantum Graph Neural Network [1.0480625205078853]
  大型ハドロン衝突型加速器(LHC)は、粒子衝突(光度)の瞬間的な速度を高めるためにアップグレードされ、高輝度LHCとなる。 この研究は、指数関数的に増大するヒルベルト空間の恩恵を得るために、トラック再構成タスクで証明された新しいグラフニューラルネットワークモデルをハイブリッドグラフニューラルネットワークに変換する可能性を探究する。
  論文  参考訳（メタデータ） (2020-12-02T18:23:48Z)

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。