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。

将开发一种触发算法，该算法检测使用MUON粒子触发探测器在LHC-ATLAS实验中质子碰撞产生的MUON颗粒的传递位置，并使用此信息选择事件。目的是通过启用无法使用常规触发算法选择的事件来提高事件选择的触发效率，尤其是在标准模型之外的物理事件中进行的事件，这些事件是在标准模型之外的物理事件，这些事件在远离标准模型以外的物理学中出现的质子碰撞点的长期粒子出现在标准模型以外的物理上，并且在远程崩溃点发生的MUON颗粒都可以检测到。在传统算法中，使用从碰撞点和长寿得出的粒子衍生的粒子具有大量计算机资源（资源）的缺点，但是使用机器学习允许通过一个机器学习来处理这两个事件，并且有限的计算机资源可以实现高效效率事件选择触发器。今年，我们使用卷积神经网络和图形神经网络创建了一个机器学习模型，并在引入FPGA时检查了资源使用和触发效率之间的关系。为了提高触发效率，资源使用将增加，机器学习模型可能不包括在FPGA中。因此，我们尝试通过使用FPGA的可编程逻辑（PL）进行预处理数据来减少PL的资源使用，还使用处理单元（PU）。我们尝试了Kalman过滤器作为预处理，目前，我们在PU上没有执行相同的过程，而是在外部计算机上执行相同的过程。已经发现，即使降低了PL的资源使用量，该技术也可以达到与所有机器学习模型一起放置在PL中时相同的性能。

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）