基于 GNN 和 CKF 的组合轨道发现
原文中文,约300字,阅读约需1分钟。发表于: 。应用图神经网络(GNN)在轨道重建中,结合经典组合卡尔曼滤波(CKF)算法,有效解决内外区域的 3D 测量数据差异,提高高能物理粒子探测器在高亮升级大型强子对撞机(HL-LHC)上的轨道重建性能。
本研究比较了图神经网络和基于核的变压器在高能电子 - 正电子碰撞的完全事件重建中的性能优势,并通过超参数调整和硬件处理器的支持进一步提高了模型性能。研究结果可用于重现研究。
应用图神经网络(GNN)在轨道重建中,结合经典组合卡尔曼滤波(CKF)算法,有效解决内外区域的 3D 测量数据差异,提高高能物理粒子探测器在高亮升级大型强子对撞机(HL-LHC)上的轨道重建性能。
本研究比较了图神经网络和基于核的变压器在高能电子 - 正电子碰撞的完全事件重建中的性能优势,并通过超参数调整和硬件处理器的支持进一步提高了模型性能。研究结果可用于重现研究。