⚛️ high-energy experiments

mkFit for track fitting with the CMS Phase-2 detector

Este artículo presenta resultados preliminares que demuestran la extensión del algoritmo mkFit paralelizado para el ajuste de trazas para el CMS High-Level Trigger, con el objetivo de abordar las crecientes demandas computacionales del detector de la Fase 2 del HL-LHC manteniendo el rendimiento físico.

Autores originales: Leonardo Giannini (on behalf of the CMS Collaboration), Emmanouil Vourliotis (on behalf of the CMS Collaboration)

Publicado 2026-09-22

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Leonardo Giannini (on behalf of the CMS Collaboration), Emmanouil Vourliotis (on behalf of the CMS Collaboration)

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

En el corazón del Gran Colisionador de Hadrones, una máquina construida para hacer chocar protones a casi la velocidad de la luz, se desarrolla constantemente un tipo de carrera diferente. Cuando estas partículas colisionan, se fragmentan en una dispersión caótica de nuevas y fugaces partículas que dejan tras de sí un rastro de señales electrónicas en los enormes detectores que rodean el punto de colisión. Para comprender qué ocurrió en ese segundo de división, los físicos deben reconstruir las trayectorias de estas partículas, uniendo sus recorridos a partir de miles de diminutos puntos de datos. Este proceso es como intentar rastrear un solo hilo a través de una bola de estambre enredada, pero el estambre se mueve a velocidades increíbles y la bola crece constantemente. A medida que el colisionador se prepara para su próxima fase, más intensa, el número de colisiones simultáneas aumentará drásticamente, creando un denso bosque de trayectorias de partículas que los programas informáticos tradicionales luchan por desenredar con la suficiente rapidez. El desafío no es solo encontrar las rutas, sino hacerlo con tal velocidad que los datos puedan analizarse en tiempo real, permitiendo a los científicos capturar los eventos más raros e interesantes antes de que desaparezcan.

Durante años, el experimento CMS en el colisionador ha dependido de un método específico para construir estas trayectorias de partículas, un proceso conocido como construcción de trayectorias (track building), seguido de un paso de refinamiento llamado ajuste de trayectoria (track fitting). La fase de construcción es la más difícil, ya que requiere que la computadora pruebe innumerables combinaciones de señales para ver cuáles pertenecen a la misma partícula. Una vez que se encuentra una trayectoria candidata, la fase de ajuste utiliza técnicas matemáticas para suavizar los datos y determinar las propiedades exactas de la partícula, como su momento y dirección. Hasta hace poco, la fase de construcción era el cuello de botella, consumiendo la mayor parte del tiempo y la potencia de cálculo. Para resolver esto, los investigadores introdujeron un nuevo algoritmo llamado mkFit, que organiza el trabajo de modo que muchas trayectorias puedan calcularse simultáneamente, en lugar de una tras otra. Esta innovación aceleró con éxito el proceso de construcción en un factor de tres y medio, pero dejó la fase de ajuste como la nueva parte más lenta de la cadena. Ante las futuras demandas del colisionador, el equipo se dio cuenta de que, para mantenerse al día, debían aplicar la misma lógica de aceleración a la etapa de ajuste también.

El artículo presenta un nuevo desarrollo donde el algoritmo mkFit se extiende para manejar este paso final de ajuste, reemplazando el método más antiguo y lento utilizado en el pasado. Los investigadores probaron este nuevo enfoque utilizando simulaciones computacionales realistas del entorno futuro del detector, que incluye una alta densidad de colisiones de partículas superpuestas. Encontraron que el nuevo algoritmo funciona igual de bien que el anterior en términos de precisión. Identifica con éxito el mismo número de trayectorias de partículas reales y produce mediciones de sus propiedades que son igualmente precisas. La única diferencia notable es un ligero aumento en el número de trayectorias falsas, o "fakes", a velocidades muy bajas, pero esto sigue siendo una fracción pequeña del total y es manejable. Crucialmente, el nuevo método no requiere que la computadora convierta constantemente los datos entre diferentes formatos, un paso que anteriormente desperdiciaba un tiempo valioso. Al mantener los datos en un único formato eficiente durante todo el proceso, el algoritmo agiliza significativamente el flujo de trabajo.

Los resultados de este cambio son sustanciales. En el entorno simulado, el uso del nuevo método de ajuste mkFit redujo el tiempo requerido para todo el proceso de ajuste en un setenta y uno por ciento. Cuando esta aceleración se aplica a la secuencia completa de seguimiento, incluyendo la construcción y los pasos de conversión, el tiempo total para procesar un solo evento disminuye en un treinta y dos por ciento en un escenario donde también se utilizan procesadores gráficos modernos para ayudar con los cálculos. Incluso sin esos procesadores adicionales, el tiempo total disminuye un catorce por ciento. Esta reducción es vital porque significa que la computadora puede procesar más colisiones en el mismo período de tiempo, aumentando la tasa general a la que el experimento puede recolectar datos. Los investigadores describen esto como una evolución necesaria para prepararse para el Gran Colisionador de Hadrones de Alta Luminosidad, donde el volumen de datos será mucho mayor de lo que los sistemas actuales pueden manejar.

Este trabajo representa un paso significativo hacia la preparación del experimento CMS para sus operaciones futuras. Al demostrar que el algoritmo mkFit puede reemplazar con éxito el método de ajuste heredado sin sacrificar la calidad de los resultados físicos, el equipo ha superado un gran obstáculo. Los hallazgos sugieren que el experimento puede mantener su capacidad de descubrir nueva física incluso cuando los datos se vuelven más complejos y abundantes. Si bien los resultados se basan actualmente en simulaciones, las mejoras en velocidad son claras y el rendimiento físico es consistente con lo que se necesita. El camino a seguir consiste en finalizar estos detalles y preparar la implementación del nuevo sistema en las operaciones reales de toma de datos, asegurando que el detector siga siendo una herramienta poderosa para el descubrimiento en los años venideros.

Resumen Técnico: mkFit para el Ajuste de Trayectorias con el Detector CMS Fase-2

Planteamiento del Problema
La Colaboración CMS ha adoptado con éxito el algoritmo mkFit para la construcción de trayectorias (reconocimiento de patrones) durante el Run 3 del LHC, logrando una aceleración de 3.5× respecto a los métodos heredados manteniendo el rendimiento de la física. Sin embargo, a medida que la etapa de construcción se ha acelerado, el ajuste de trayectorias ha emergido como un componente comparativamente significativo del tiempo total de seguimiento. Con la próxima llegada del LHC de Alta Luminosidad (HL-LHC), que se espera entregue una luminosidad integrada de 3000 fb⁻¹ y un pileup promedio de ~200 colisiones por evento, los algoritmos de seguimiento estándar enfrentan desafíos de escalamiento superlineales. Para satisfacer las demandas computacionales del HL-LHC, se requiere una mayor optimización. Este documento aborda la necesidad de extender el marco de trabajo mkFit, actualmente utilizado para la construcción de trayectorias, a la tarea de ajuste de trayectorias dentro de la secuencia de reconstrucción del CMS High-Level Trigger (HLT).

Metodología
El estudio propone reemplazar el algoritmo de ajuste heredado, el Filtro de Kalman Combinatorio (CKF), por una implementación basada en mkFit. La metodología implica:

Diseño del Algoritmo: El ajustador mkFit acepta candidatos de trayectoria construidos por mkFit, eliminando la necesidad de conversiones de formato de datos intermedias requeridas al interactuar con el CKF heredado. El algoritmo realiza un ajuste de dos pasadas (hacia adentro/adelante y hacia afuera/atrás) utilizando el estado y la colección de impactos (hits) de los candidatos.
Vectorización y Paralelismo: Para explotar las arquitecturas de CPU multinúcleo, las trayectorias se agrupan por multiplicidad de impactos. Se utiliza la biblioteca matriplex para vectorizar implícitamente las operaciones del filtro de Kalman a través de un número fijo de trayectorias ( $N_V$ ) correspondiente al ancho de vector de la CPU.
Rechazo de Outliers Simplificado: El algoritmo emplea una estrategia de rechazo de impactos atípicos (outliers) simplificada en comparación con el CKF heredado. No aplica "suavizado" (smoothing) durante el ajuste hacia atrás. Los outliers se identifican mediante una selección de $\chi^2$ basada en la suma de los residuales de las predicciones hacia adelante y hacia atrás. Los umbrales se ajustan según el momento transversal ( $p_T$ ): para $p_T > 1$ GeV, los impactos se rechazan si la suma de $\chi^2$ excede 20 y los valores de $\chi^2$ individuales exceden 8; para $p_T < 1$ GeV, los umbrales son 15 y 7, respectivamente. Las trayectorias con impactos eliminados se reagrupan y se ajustan nuevamente una vez.
Marco de Evaluación: El rendimiento se evaluó utilizando simulaciones realistas de Fase-2 de eventos $t\bar{t}$ con 200 interacciones de pileup. El estudio comparó el ajuste final de mkFit contra el ajuste final del CKF heredado utilizando la configuración de seguimiento propuesta para la Fase-2 de CMS HLT. Las mediciones de tiempo se realizaron en una máquina dedicada con CPUs AMD EPYC y GPUs NVIDIA T4, emulando una división de procesamiento de 50-50 CPU/GPU.

Contribuciones Clave

Extensión de mkFit: El documento presenta la primera implementación de mkFit para la etapa de ajuste de trayectorias, extendiendo su utilidad más allá de la construcción de trayectorias.
Integración Fluida: La implementación está diseñada para ser transparente a las secuencias de reconstrucción posteriores, emitiendo estructuras de datos compatibles con el algoritmo heredado.
Benchmarking de Rendimiento: El estudio proporciona una comparación exhaustiva del rendimiento de la física (eficiencia, tasa de falsos, resolución) y del tiempo computacional entre el CKF heredado y el nuevo ajustador mkFit bajo condiciones de HL-LHC.

Resultados

Rendimiento de la Física:
- Eficiencia: La eficiencia de seguimiento es comparable entre mkFit y CKF a través de diversas selecciones de $p_T$ , pseudorrapidez ( $\eta$ ) y radio de producción ( $r_{vertex}$ ).
- Tasa de Falsos (Fake Rate): A bajo $p_T$ , la tasa de falsos de mkFit es ligeramente superior (hasta 1.5×) pero se mantiene por debajo del 4%. Para $p_T > 10$ GeV, la tasa de falsos de mkFit se reduce casi a la mitad en comparación con CKF. Las diferencias se atribuyen a la sintonización distinta de los criterios de rechazo de outliers.
- Resolución: Las resoluciones para $d_{xy}$ y $d_z$ son consistentes entre los dos algoritmos. La relación de resolución de $p_T$ muestra una modulación menor como función de $\eta$ , pero permanece dentro de una consistencia del 10% a través del espectro de $p_T$ .
Rendimiento Computacional:
- Tiempo de Ajuste: El uso de mkFit para el ajuste reduce el tiempo de procesamiento combinado de construcción y ajuste en aproximadamente 220 ms por evento. Esto representa una reducción del 71% en el tiempo de ajuste de la trayectoria (incluyendo las conversiones de formato de datos).
- Tiempo Total de Seguimiento: En un escenario realista que utiliza aceleradores GPU, el tiempo total de seguimiento se reduce en un 32% (de ~708 ms a ~484 ms). En un escenario de solo CPU, la reducción es del 14%.

Significancia y Reivindicaciones
El documento afirma que extender mkFit al ajuste de trayectorias es un desarrollo natural y necesario para reducir aún más el tiempo total de reconstrucción en preparación para el HL-LHC. Los resultados demuestran que mkFit puede reemplazar al algoritmo de ajuste CKF heredado con ganancias computacionales significativas (reducción del 32% en el tiempo total de seguimiento con GPUs) manteniendo un rendimiento de física consistente con los algoritmos heredados. Los autores declaran que estos hallazgos motivan la posible adopción de mkFit para el ajuste de trayectorias en el Run 4, a la espera de la finalización de las evaluaciones de rendimiento. El trabajo se presenta como un informe de estado preliminar de estos desarrollos, utilizando la nueva configuración de seguimiento de HLT como banco de pruebas.

Más como este