論文の概要: HEPTv2: End-to-End Efficient Point Transformer for Charged Particle Reconstruction

• arxiv url: http://arxiv.org/abs/2606.20437v1
• Date: Thu, 18 Jun 2026 16:18:10 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-06-19 18:23:39.979316
• Title: HEPTv2: End-to-End Efficient Point Transformer for Charged Particle Reconstruction
• Title（参考訳）: HEPTv2:荷電粒子再構成用エンド・ツー・エンド高効率点変圧器
• Authors: Siqi Miao, Shitij Govil, Jack P. Rodgers, Mia Liu, Javier Duarte, Shih-Chieh Hsu, Yuan-Tang Chou, Pan Li,
• Abstract要約: HEPTv2はエンド・ツー・エンドのポイント・トランスフォーマーアーキテクチャで、1つのトレーニング可能なパイプラインで検出器ヒットからトラックを再構築する。 TrackMLでは、HEPTv2は98.6%の追尾効率を0.8%の偽レートで達成している。 これらの結果から, HL-LHCにおけるリアルタイム粒子再構成に必要な精度と効率を, エンド・ツー・エンド変圧器で実現できることが示唆された。
• 参考スコア（独自算出の注目度）: 9.951462226612865
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Charged-particle tracking -- reconstructing trajectories from sparse detector measurements -- is a fundamental high-energy-physics inference problem and a canonical example of learning under extreme combinatorial ambiguity. At the High-Luminosity Large Hadron Collider (HL-LHC), tracking must remain accurate and efficient despite unprecedented collision densities. Graph neural networks perform strongly, but incur substantial costs from graph construction and processing, while transformer-based approaches rely on auxiliary stages that prevent end-to-end optimization. To address this, we present HEPTv2, an end-to-end point-transformer architecture that reconstructs tracks from detector hits in one trainable pipeline. HEPTv2 combines a locality-aware point encoder with a track decoder that predicts complete trajectories without graph-building, clustering, or filtering. The encoder uses locality-sensitive hashing in detector coordinate space to preserve tracking-relevant geometry while enabling efficient local attention. The decoder resolves ambiguities through sectorized decoding and direct hit-to-track prediction under joint encoder-decoder supervision, allowing the full pipeline to be optimized end-to-end. On TrackML, HEPTv2 achieves 98.6% double-majority tracking efficiency at a 0.8% fake rate, while requiring only $\sim$15~ms inference time and 0.4~GB peak memory per event on a NVIDIA A100 GPU. Latency and memory scale approximately linearly for events with up to $5\times10^5$ hits. HEPTv2 establishes a new state of the art in the accuracy-latency trade-off, improving efficiency by 4.5% over the strongest prior transformer and by 1.1--2.2% over optimized graph-based pipelines, while reducing latency by factors of 7 and 38--52, respectively. These results show end-to-end transformers can deliver the accuracy and efficiency required for real-time particle reconstruction at the HL-LHC.
• Abstract（参考訳）: 荷電粒子追跡 -- スパース検出器の測定から軌道を再構築する -- は、基本的な高エネルギー物理推論問題であり、極端な組合せの曖昧さの下での学習の標準的な例である。 HL-LHC(High-Luminosity Large Hadron Collider)では、前例のない衝突密度にもかかわらず、追跡は正確かつ効率的でなければならない。 グラフニューラルネットワークは強力に動作するが、グラフ構築と処理によってかなりのコストがかかる一方、トランスフォーマーベースのアプローチは、エンドツーエンドの最適化を防ぐための補助的なステージに依存している。 HEPTv2は1つのトレーニング可能なパイプラインにおける検出器ヒットからトラックを再構築するエンド・ツー・エンドのポイント・トランスフォーマーアーキテクチャである。 HEPTv2は、ローカリティ対応のポイントエンコーダとトラックデコーダを組み合わせて、グラフ構築、クラスタリング、フィルタリングなしで完全なトラジェクトリを予測する。 エンコーダは検出器座標空間における局所性に敏感なハッシュを用いて追跡関連幾何を保存し、効率的な局所的注意力を実現する。 デコーダは、セクタライズされたデコーディングと、ジョイントエンコーダとデコーダの監督下での直接ヒット・ツー・トラック予測によって曖昧さを解消し、完全なパイプラインをエンドツーエンドに最適化する。 TrackMLでは、HEPTv2は98.6%のダブルマジョリティトラッキング効率を0.8%のフェイクレートで達成し、NVIDIA A100 GPU上では1イベントあたり$\sim$15~msの推論時間と0.4~GBのピークメモリしか必要としない。 レイテンシとメモリスケールは、最大5\times10^5$のヒットを持つイベントに対して、ほぼ線形である。 HEPTv2は、精度-レイテンシトレードオフにおける新たな最先端技術を確立し、最強の前のトランスフォーマーよりも効率を4.5%向上し、最適化されたグラフベースのパイプラインより1.1--2.2%向上し、それぞれ7と38-52の遅延を減少させる。 これらの結果から, HL-LHCにおけるリアルタイム粒子再構成に必要な精度と効率を, エンド・ツー・エンド変圧器で実現できることが示唆された。

関連論文リスト

• Scaling Parallel Sequence Models to Foundation-Scale Vision Encoders [123.58723804218151]
  ビジョンファウンデーションモデルは、自己注意の二次的なコストによってボトルネックとなる。 2次元空間伝搬伝搬に基づくC-GSPNを提案する。
  論文  参考訳（メタデータ） (2026-05-30T14:29:43Z)
• Efficient Hybrid CNN-GNN Architecture for Monocular Depth Estimation [0.0]
  畳み込みエンコーダ・デコーダフレームワークにグラフニューラルネットワーク(GNN)を統合する単眼深度推定アーキテクチャであるGraphDepthを提案する。 我々のアプローチは、効率的なGraphSAGEレイヤをResNet-101 U-Netバックボーンの複数スケールに埋め込む。 NYU Depth V2、WHU Aerial、ETH3D、Mid-Airベンチマークの実験では、最先端のトランスフォーマーの4.6%で競合精度が示されている。
  論文  参考訳（メタデータ） (2026-05-11T09:21:04Z)
• BWTA: Accurate and Efficient Binarized Transformer by Algorithm-Hardware Co-design [71.97035034203275]
  バイナライゼーションにおけるゼロ点歪みを解析し,BWTA量子化方式を提案する。 本稿では,Smooth Multi-Stage Quantizationを提案し,レベルワイド・デグラデーション・ストラテジーとMagnitude Alignment Projection Factorを組み合わせた。 実験の結果、BWTAはTransformerベースのモデルに対して、GLUEでは平均3.5%、タスクでは2%未満の精度でフル精度のパフォーマンスにアプローチしていることがわかった。
  論文  参考訳（メタデータ） (2026-04-05T04:25:07Z)
• 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)
• 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)
• Efficient Decoder-free Object Detection with Transformers [75.00499377197475]
  視覚変換器(ViT)は、物体検出アプローチのランドスケープを変化させている。 本稿では,デコーダフリー完全トランス(DFFT)オブジェクト検出器を提案する。 DFFT_SMALLは、トレーニングおよび推論段階で高い効率を達成する。
  論文  参考訳（メタデータ） (2022-06-14T13:22:19Z)
• 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)

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。