Um estudo sobre aplicações de busca e ordenação no contexto de reconstrução da trajetória de partículas

Abstract

A reconstrução de trajetória (tracks) de partículas de carga em ambientes densos no Grande Colisor de Hádrons ou Large Hadron Collider (LHC) do CERN é um problema de reconhecimento de padrões desafiador. Com o aumento esperado de colisões simultâneas no HL-LHC, a construção de tracks computacionalmente eficiente é de extrema importância. Os algoritmos de Aprendizado de Máquina (ML), capazes de modelar padrões não lineares complexos, têm o potencial de resolver esse problema com eficiência e desempenho. As tracks são formadas por (hits) e neste trabalho propomos uma abordagem de como buscar as coordenadas dos hits reais de um track a partir dos dados preditos por modelos de ML. Escolhemos algoritmos de busca e ordenação conhecidos, e algoritmos considerados estado da arte para solução desse problema. Descrevemos suas implementações a fim de explorar densamente os recursos de hardware disponíveis. Realizamos avaliações empíricas de desempenho utilizando dados do mundo real do desafio TrackML Kaggle e mostramos que nosso método tem potencial para ser útil na prática.

Trajectory reconstruction of charge particle in dense environments in the High Luminosity Large Hadron Collider(HL-LHC) is a challenging pattern recognition problem. With the expected increase of simultaneous collisions at the HL-LHC, computationally efficient track reconstruction is of utmost importance. Machine learning algorithms, which are capable to model complex non-linear patterns, have the potential to solve this problem with efficiency and high performance. In this paper, we propose an approach on how to search the coordinates of the real hits of a track from the data predicted by ML models. We chose standard search and ordering algorithms, and algorithms considered state-of-art to solve this problem. We describe their implementations in order to fully exploit the available hardware resources. We perform empirical performance evaluations using real-world data from theTrackML Kaggle challenge, and show that our method has the potential to be useful in practice.