Development of efficient muon trigger system for long-lived particles in the ATLAS experiment

在 ATLAS 实验中开发长寿命粒子的高效 μ 介子触发系统

• 批准号: 21K03589
• 负责人: 長谷川 庸司
• 金额: $ 2.58万
• 依托单位: Shinshu University
• 依托单位国家: 日本
• 项目类别: Grant-in-Aid for Scientific Research (C)
• 财政年份: 2021
• 资助国家: 日本
• 起止时间: 2021-04-01 至 2024-03-31
• 项目状态: 已结题
• 来源: https://kaken.nii.ac.jp/en/grant/KAKENHI-PROJECT-21K03589/
• 关键词: ミューオントリガー; トリガー; 機械学習; 素粒子物理学実験

LHC-ATLAS実験における陽子陽子衝突で発生するミュー粒子をミュー粒子トリガー検出器を用いて通過位置を検出し，その情報を用いて事象選択を行うトリガーアルゴリズムの開発を行う。従来のトリガーアルゴリズムでは選択することができない事象，特に，標準模型を超える物理に現れる，陽子陽子衝突点から離れた位置で崩壊する長寿命粒子が発生した事象を，その離れた崩壊点で発生するミュー粒子を検出できるようにすることで，事象選択のトリガー効率の向上を目的としている。従来のアルゴリズムでは，衝突点由来の粒子と長寿命由来の粒子を使ってトリガーするには，計算機資源（リソース）が大きくなる欠点があるが，機械学習を用いると，それらの事象の両方を一つの機械学習で取り扱うことができるようになり，限られた計算機資源で高効率の事象選択トリガーが実現できる可能性がある。今年度は，Convolutional Neural NetworkとGraph Neural networkを用いた機械学習モデルを作成し，FPGAに導入した場合のリソース使用量とトリガー効率の関係をを調べた。トリガー効率を上げるためにはリソースの使用量が多くなり，機械学習モデルがFPGAに載らなくなる可能性がある。そのため，FPGAによるプログラマブルロジック(PL)だけでなく，プロセッシングユニット(PU)を用いて，入力データを前処理することにより，PLのリソース使用量の削減を試みた。前処理としてカルマンフィルタを試しており，現状ではPUでは行わず，外部の計算機で同様の処理を行っている。この手法により，PLのリソース使用量を減らしても，機械学習モデルを全てPLに載せた場合と同等の性能を得られる可能性があることがわかった。

我们将使用μ子触发探测器来检测LHC-ATLAS实验中质子-质子碰撞产生的μ子的通过位置，并开发一种触发算法，利用该信息来选择事件。使用传统触发算法无法选择的事件，特别是在物理中超出标准模型的事件，例如在远离质子-质子碰撞点的位置处衰变的长寿命粒子，会在该遥远的衰变点处生成。目的是通过检测μ子来提高事件选择的触发效率。传统算法的缺点是需要大量计算机资源来使用源自碰撞点的粒子和源自长寿命的粒子来触发，但现在可以使用机器学习来同时处理这两个事件。一种机器学习方法，有可能在有限的计算机资源下实现高效的事件选择触发。今年，我们使用卷积神经网络和图神经网络创建了机器学习模型，并研究了在 FPGA 上实现时资源使用和触发效率之间的关系。提高触发效率需要更多的资源，并且机器学习模型可能无法挂载到FPGA上。因此，我们不仅使用使用 FPGA 的可编程逻辑 (PL)，还使用处理单元 (PU) 对输入数据进行预处理，从而尝试减少 PL 的资源使用。我们正在尝试使用卡尔曼滤波器作为预处理，目前相同的处理是在外部计算机而不是 PU 上执行的。使用这种方法，我们发现即使减少了 PL 的资源使用，也可以实现与所有机器学习模型都放在 PL 上相同的性能。

项目成果

欧州合同原子核研究機関(スイス)

欧洲核研究联合组织（瑞士）