Рекуррентная нейронная сеть TrackNETv3 для построения кандидатов в треки на эксперименте BM@N
Боковая панель статьи
Основное содержимое статьи
Аннотация
Работа посвящена разработке нейросетевого подхода для задачи реконструкции траекторий элементарных частиц. Данный подход был успешно реализован для данных Монте-Карло симуляции эксперимента BESIII в виде модели TrackNETv2. Однако, в силу особенностей GEM-детектора эксперимента BM@N, возникает ряд проблем. Предложены модификации нейросетевой модели TrackNETv2 для их решения, также внесены изменения в процесс обучения модели. На данный момент лучших результатов позволяют достичь полностью рекуррентная модель нейронной сети и сеть с использованием каузальной свертки. В результате тестирования лучшая модель показала эффективность распознавания треков, равную 0.9830. Также был оптимизирован процесс работы модели за счет использования библиотеки для быстрого поиска ближайших соседей Faiss.
Скачивания
Информация о статье
Библиографические ссылки
Ососков Г. А. и др. Нейросетевая реконструкция треков частиц для внутреннего CGEMдетектора эксперимента BESIII / Г.А. Ососков, О.В. Бакина, Д.А. Баранов, П.В. Гончаров, И.И. Денисенко, А.С. Жемчугов, Ю.А. Нефедов, А.В. Нечаевский, А.Н. Никольская, E.M. Щавелев,
Л. Ван, Ш. Сунь, Я.Чжан // Компьютерные исследования и моделирование. — 2020. — Т. 12. — №. 6. — С. 1361–1381.
Goncharov P. Particle track reconstruction with the TrackNETv2 / Р. Goncharov, G. Ososkov, D. Baranov //AIP Conference Proceedings. — AIP Publishing LLC, 2019. — Vol. 2163. — No. 1. — P. 040003.
Oord A. et al. Wavenet: A generative model for raw audio //arXiv preprint arXiv:1609.03499. — 2016.
Vaswani A. et al. Attention is all you need //Advances in neural information processing systems. — 2017. — С. 5998–6008.
Devlin J. et al. Bert: Pre-training of deep bidirectional transformers for language understanding //arXiv preprint arXiv:1810.04805. — 2018.
Dosovitskiy, A., Beyer, L., Kolesnikov, A., Weissenborn, D., Zhai, X., Unterthiner, T., Dehghani, M., Minderer, M., Heigold, G., Gelly, S., et al. An image is worth 16x16 words: Transformers for image recognition at scale. In Proceedings of International Conference on Learning Representations (ICLR), 2021.
Johnson J., Douze M., Jégou H. Billion-scale similarity search with gpus //IEEE Transactions on Big Data. — 2019.
Kapishin M. et al. Studies of baryonic matter at the BM@ N experiment (JINR) //Nuclear Physics A. – 2019. — Vol. 982. — Pp. 967–970.
Heo B. et al. AdamP: Slowing down the slowdown for momentum optimizers on scale-invariant weights //arXiv preprint arXiv:2006.08217. — 2020.
Nikolskaia A. et al. Local strategy of particle tracking with TrackNETv2 on the BES-III CGEM inner detector / A. Nikolskaia, E. Schavelev, P. Goncharov, G. Ososkov, Y. Nefedov, A. Zhemchugov and I. Denisenko //AIP Conference Proceedings. — AIP Publishing LLC, 2021. — Vol. 2377. — No. 1. — P. 060004.
Bakina O. et al. Global strategy of tracking on the basis of graph neural network for BES-III CGEM inner detector / O. Bakina, I. Denisenko, P. Goncharov, Y. Nefedov, A. Nikolskaya, G. Ososkov, E. Shchavelev and A. Zhemchugov //AIP Conference Proceedings. — AIP Publishing LLC, 2021. — Vol. 2377. — No. 1. — P. 060001.
Goncharov P. et al. Ariadne: PyTorch library for particle track reconstruction using deep learning / P. Goncharov, E. Schavelev, A. Nikolskaya, and G. Ososkov //AIP Conference Proceedings. — AIP Publishing LLC, 2021. — Vol. 2377. — No. 1. — P. 040004.
Adam G. et al. IT-ecosystem of the HybriLIT heterogeneous platform for high-performance computing and training of IT-specialists //English, in CEUR Workshop Proceedings, V. Korenkov, A. Nechaevskiy, T. Zaikina, and E. Mazhitova, Eds. — 2018. — Vol. 2267. — Pp. 638–644.