⚛️ high-energy experiments

Track fitting at the full LHC collision rate

El experimento LHCb ha implementado con éxito un filtro de Kalman rápido y acelerado por GPU utilizando parametrizaciones analíticas para realizar el ajuste completo de trayectorias a la tasa de colisión de 30 MHz, logrando una mejora de dos veces en la resolución de la masa invariante y un rechazo de fondo significativamente mejorado con solo un aumento del 2 % en el tiempo de procesamiento.

Autores originales: Pierre Billoir, Thomas Boettcher, Michel De Cian, Lennart H. Uecker

Publicado 2026-07-17

📖 4 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pierre Billoir, Thomas Boettcher, Michel De Cian, Lennart H. Uecker

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

Imagina el universo como un gigantesco y caótico salón de baile donde las partículas subatómicas son los bailarines. En una esquina de este salón se encuentra el Gran Colisionador de Hadrones (LHC), una máquina masiva que hace chocar protones a casi la velocidad de la luz. Cuando estos protones colisionan, crean una lluvia de nuevas y fugaces partículas, algunas de las cuales son pesadas, exóticas y están llenas de secretos sobre cómo funciona el universo. Pero aquí está el truelo: estas colisiones ocurren 30 millones de veces cada segundo. Es un desenfoque de movimiento tan rápido que nuestros ojos (e incluso nuestras computadoras) no pueden seguirle el ritmo. Para encontrar a los bailarines raros e interesantes en esta multitud, los científicos necesitan un portero superrápido en la puerta. Este portero se llama "trigger" (disparador). Su trabajo es observar cada colisión, decidir en una fracción de segundo si vale la pena conservarla y desechar las aburridas. Si el portero es demasiado lento, la fiesta se detiene. Si es demasiado descuidado, se pierde a las estrellas del espectáculo. El desafío es construir un portero que sea tanto ultrarrápido como increíblemente inteligente, capaz de rastrear las trayectorias de estas diminutas partículas a través de un laberinto de detectores para averiguar exactamente quiénes son y qué tan pesadas son.

Este artículo cuenta la historia de cómo el experimento LHCb actualizó a su portero para manejar la fiesta más concurrida del universo. El equipo introdujo una nueva forma superrápida de calcular las trayectorias de las partículas utilizando una herramienta matemática llamada "filtro de Kalman". Piensa en un filtro de Kalman como el cuaderno de notas de un detective. A medida que una partícula atraviesa el detector, deja un rastro de pistas (llamadas "hits") en diferentes capas de sensores. El detective usa estas pistas para adivinar de dónde viene la partícula, hacia dónde va y qué tan rápido se mueve. El viejo detective era un poco perezoso; solo miraba las primeras pistas cerca de la línea de salida y adivinaba el resto. El nuevo detective, descrito en este artículo, es un "Filtro de Kalman Parametrizado". Mira el rastro completo de pistas, de principio a fin, pero lo hace usando un atajo inteligente. En lugar de detenerse a consultar un mapa masivo y complejo del campo magnético (que es como una montaña rusa gigante y retorcida en la que las partículas montan) y realizar cálculos pesados en cada paso, el nuevo detective utiliza un conjunto de fórmulas simplificadas y precalculadas. Estas fórmulas son como una hoja de trucos que le dice al detective exactamente cómo debería comportarse la partícula en esa parte específica de la montaña rusa, sin necesidad de detenerse a revisar el mapa cada vez.

Los investigadores probaron este nuevo detective en una versión simulada del detector LHCb, ejecutándolo en una granja de aproximadamente 500 unidades de procesamiento gráfico (GPUs) —los mismos chips potentes que se encuentran en las computadoras de juegos de alta gama—. Descubrieron que este nuevo enfoque cambió las reglas del juego. Al observar la trayectoria completa de la partícula, el nuevo filtro podía medir el momento de la partícula (su "ímpetu") con mucha más precisión que el método anterior. De hecho, la precisión fue tan buena que casi igualó la calidad del análisis lento "offline" que ocurre después de que se recolectan los datos. Esta precisión es crucial porque permite a los científicos distinguir entre partículas reales y ruido aleatorio. El artículo muestra que el nuevo filtro es el doble de bueno detectando los "fantasmas" —trayectorias falsas formadas por impactos de sensores aleatorios y no relacionados— mientras sigue capturando todas las partículas reales.

Quizás la parte más impresionante de esta historia es cómo el nuevo filtro maneja una realidad desordenada: a veces, el detector no está perfectamente alineado. Imagina si las paredes del salón de baile estuvieran ligeramente torcidas. El viejo detective se confundiría y haría malas conjeturas sobre las trayectorias de los bailarines. El nuevo Filtro de Kalman Parametrizado, sin embargo, es robusto; mantiene la calma y sigue descifrando las trayectorias correctamente, incluso cuando el detector está ligeramente desalineado. El equipo informa que esta actualización solo aumentó el tiempo de procesamiento en aproximadamente un 2%, un precio minúsculo para un salto de calidad tan grande. Desde 2025, este nuevo sistema ha estado funcionando en vivo a la tasa completa de colisiones de 30 MHz, demostrando que podemos realizar una reconstrucción de trayectoria completa de alta calidad en tiempo real. Es un paso hacia un futuro donde la computadora en la puerta es tan inteligente como los científicos en el laboratorio, asegurando que ninguna partícula interesante se escape por las grietas.

Resumen Técnico: Filtro de Kalman Parametrizado Rápido para el HLT1 de LHCb

Planteamiento del Problema
El experimento LHCb en el Gran Colisionador de Hadrones (LHC) se sometió a una importante actualización para operar con un sistema de disparo (trigger) totalmente basado en software, capaz de procesar la lectura completa del detector a una tasa de colisión de 30 MHz. Un cuello de botella crítico en el primer nivel de disparo (HLT1) es la reconstrucción de trayectorias de partículas cargadas (tracks) y vértices de desintegración desplazados, los cuales son esenciales para seleccionar eventos de física de sabores pesados. Antes del periodo de toma de datos de 2025, el algoritmo de ajuste de trayectorias del HLT1 empleaba un filtro de Kalman simplificado de tipo "solo VELO". Este enfoque ajustaba únicamente el segmento de la trayectoria dentro del detector Vertex Locator (VELO), asumiendo un campo magnético nulo y desacoplando las componentes $x$ e $y$ . Si bien esto cumplía con las estrictas restricciones de rendimiento, resultaba en una resolución de momento subóptima y una robustez limitada contra desalineaciones del detector. Un filtro de Kalman completo, que utiliza impactos (hits) de todos los detectores de seguimiento (VELO, UT y SciFi) y tiene en cuenta el campo magnético, se consideró previamente demasiado costoso computacionalmente para la tasa de 30 MHz, particularmente en la arquitectura de HLT1 basada en GPU, donde las restricciones de ancho de banda de memoria y aritmética de precisión simple son significativas.

Metodología
El artículo presenta la implementación de un Filtro de Kalman Parametrizado diseñado como un reemplazo directo (drop-in replacement) para el algoritmo de solo VELO dentro del disparo HLT1. La innovación central radica en sustituir la integración numérica intensiva (métodos de Runge-Kutta) y las búsquedas frecuentes en mapas de campos magnéticos por parametrizaciones analíticas rápidas.

Parametrización Analítica: En lugar de resolver numéricamente las ecuaciones de movimiento para cada trayectoria, el algoritmo utiliza funciones vectoriales empíricas ( $\vec{f}_{X \to Y}$ ) para extrapolar el vector de estado entre las capas de los detectores (por ejemplo, de UT a SciFi). Estas funciones se derivan de simulaciones y dependen de la intensidad local del campo magnético. Por ejemplo, en la región del UT, la extrapolación incluye términos para la deflexión magnética y la dispersión múltiple.
Modelado de Ruido: Las contribuciones de la dispersión múltiple a la matriz de covarianza del estado se modelan mediante parametrizaciones derivadas de simulaciones. Se asume que el ángulo de dispersión sigue una distribución normal inversamente proporcional al momento, lo que permite la derivación de una matriz de ruido simétrica $Q$ con un pequeño conjunto de parámetros ajustables.
Optimización de GPU: El algoritmo se implementa en aproximadamente 500 GPUs NVIDIA RTX A5000. Para maximizar el rendimiento:
- Todas las operaciones se realizan en punto flotante de precisión simple para aprovechar las fortalezas de la arquitectura específica.
- Acceso a Memoria: Los conjuntos de datos de parametrización (aprox. 240,000 valores) se almacenan en memoria constante (64 kB) siempre que sea posible para explotar las capacidades de difusión (broadcast), mientras que los conjuntos de datos más grandes (por ejemplo, para el dipolo magnético principal) se almacenan en memoria global.
- Modelo de Ejecución: Cada hilo de la GPU gestiona el ajuste de una trayectoria completa. El algoritmo realiza un paso hacia adelante completo y un paso parcial hacia atrás (limitado al VELO) para determinar el estado "más cercano al eje del haz", evitando la necesidad de un suavizado completo o eliminación de valores atípicos para mantener la velocidad.
Entrenamiento: Los parámetros de extrapolación y dispersión se ajustan utilizando eventos simulados (Pythia, EvtGen, Geant4) mediante la minimización de la diferencia entre la extrapolación parametrizada y una extrapolación precisa de Runge-Kutta, asegurando que la incertidumbre de la parametrización permanezca por debajo de la incertidumbre física de la dispersión múltiple.

Contribuciones Clave

Primer Ajuste de Trayectoria Completa a 30 MHz: Este trabajo demuestra la viabilidad de realizar un ajuste de filtro de Kalman completo utilizando información de todos los detectores de seguimiento (VELO, UT, SciFi) a la tasa de colisión completa de 30 MHz de LHCb.
Eficiencia Algorítmica: La transición de la integración numérica a la parametrización analítica reduce el coste computacional de la propagación del campo magnético, haciendo que el ajuste completo sea viable en GPUs sin exceder el límite de rendimiento de 30 MHz.
Robustez: El método está diseñado para ser robusto frente a las desalineaciones de los detectores, un factor crítico para la estabilidad de la toma de datos a largo plazo.

Resultados
El análisis de rendimiento utilizando eventos simulados de LHCb (incluyendo desintegraciones de $D^0$ y $J/\psi$ ) arroja los siguientes resultados:

Tiempo de Procesamiento: El Filtro de Kalman Parametrizado aumenta el tiempo de procesamiento del HLT1 en solo un 2% en comparación con el algoritmo anterior de solo VELO. Logra un rendimiento muy superior a los 60 kHz por GPU (se observaron aproximadamente 60–70 kHz), ajustándose cómodamente a la tasa de entrada del sistema de 30 MHz.
Resolución de Momento: La resolución del momento mejora significamente, acercándose a la calidad de la reconstrucción completa offline (HLT2).
- Resolución de Masa: La mejora en la resolución del momento se traduce en una mejora de un factor de dos en la resolución de la masa invariante para los hadrones $D^0$ y $J/\psi$ reconstruidos (por ejemplo, el ancho del pico de $J/\psi$ se reduce de ~21 MeV/ $c^2$ a ~10 MeV/ $c^2$ ).
Robustez ante Desalineación: Cuando se introducen desalineaciones simuladas de los detectores (específicamente en el SciFi), el filtro de solo VELO muestra una degradación significativa en la resolución del momento y en el sesgo. En contraste, el Filtro de Kalman Parametrizado recupera completamente el rendimiento de un detector perfectamente alineado.
Rechazo de Fondo: El ajuste de trayectoria completa proporciona una métrica $\chi^2$ superior, lo que permite una mejor discriminación entre trayectorias genuinas y trayectorias "fantasma" (ghost tracks, combinaciones de impactos de diferentes partículas). Con los puntos de trabajo estándar, la tasa de rechazo de fantasmas se duplica con creces (la eficiencia de fantasmas cae del 70% al 29%) mientras mantiene o mejora ligeramente la eficiencia para trayectorias genuinas (del 87% al 91%).

Significancia
El artículo afirma que el despliegue exitoso del Filtro de Kalman Parametrizado en el disparo HLT1 de LHCb representa un paso importante hacia la reconstrucción de calidad offline en tiempo real. Al permitir el ajuste de la trayectoria completa a la tasa de colisión completa, la actualización mejora significativamente la precisión estadística de las mediciones de LHCb en el Run 3 y más allá. La capacidad de registrar eventos con mayor eficiencia y niveles de fondo más bajos beneficia directamente al programa de física, particularmente a la física de sabores pesados. Además, este trabajo valida el uso de algoritmos de reconstrucción avanzados y parametrizados en arquitecturas GPU, allanando el camino para futuras actualizaciones donde la reconstrucción de calidad offline pueda realizarse enteramente dentro del sistema de disparo.

Más como este