Full event interpretation with machine-learning-based particle-flow reconstruction in the CMS detector

Cet article présente un algorithme de flux de particules basé sur l'apprentissage automatique (MLPF) à la pointe de la technologie, implémenté sur GPU au sein du framework CMS, qui unifie la reconstruction d'événements en un modèle unique tout en atteignant des performances physiques comparables aux méthodes standards, une résolution d'énergie de jet considérablement améliorée et une réduction par cinq du temps d'inférence.

L'essentiel

Imaginez le Grand Collisionneur de Hadrons (LHC) au CERN comme un énorme brise-particules à haute vitesse. Lorsque deux protons entrent en collision, ils ne se contentent pas de se briser ; ils explosent en une pluie chaotique de milliers de fragments minuscules et invisibles. Le détecteur CMS est un appareil photo géant et de haute technologie qui tente de prendre une photo de cette explosion. Sa tâche est de déterminer exactement ce qu'est chaque fragment (est-ce un photon ? un électron ? un morceau de proton ?) et à quelle vitesse il se déplace.

Pendant des années, CMS a utilisé un « livre de recettes » appelé l'algorithme de Particle-Flow (PF). Considérez l'ancien algorithme PF comme une équipe de détectives humains essayant de résoudre un puzzle. Ils examinent des indices provenant de différentes parties de l'appareil photo (le traçage, les calorimètres) et utilisent une longue liste de règles strictes et écrites à la main pour relier les points. « Si une trajectoire ressemble à ceci et qu'un amas d'énergie ressemble à cela, ils doivent être la même particule. » Cela fonctionne bien, mais c'est lent, rigide et nécessite beaucoup de réglages manuels.

Ce document présente un nouveau détective plus intelligent : le MLPF (Machine-Learned Particle Flow).

Le nouveau détective : Un réseau de neurones

Au lieu de suivre un livre de règles rigide, le MLPF est comme un étudiant qui a lu des millions de manuels de physique et observé des millions d'explosions simulées. Il utilise un type d'intelligence artificielle appelé Transformer (la même technologie qui se trouve derrière les modèles de langage avancés).

• Comment il apprend : L'équipe a nourri cette IA avec des millions de collisions « simulées ». Ils lui ont montré les données brutes (les trajectoires et les amas d'énergie) et lui ont dit : « Voici ce qui s'est réellement passé dans la simulation. » L'IA a appris à reconnaître des motifs et des corrélations que les règles humaines pourraient manquer.
• Comment il réfléchit : Au lieu de vérifier les indices un par un, l'IA regarde l'explosion entière d'un seul coup. Elle comprend comment chaque pièce du puzzle est liée à toutes les autres simultanément.

Les grands succès

1. Il est beaucoup plus rapide (Le Speedster)
L'ancien détective (le PF standard) fonctionne sur des processeurs informatiques classiques (CPU) et prend environ 110 millisecondes pour analyser une collision. C'est comme prendre beaucoup de temps pour trier un jeu de cartes.
Le nouveau détective IA (MLPF) fonctionne sur une carte graphique spécialisée (GPU), qui est conçue pour ce genre de travail intensif. Il termine le même travail en seulement 20 millisecondes. C'est une accélération de 5x. C'est comme passer du tri de cartes à la main à l'utilisation d'une machine à haute vitesse. Cette vitesse est cruciale car le LHC devient de plus en plus dense, et ils doivent traiter plus de collisions en moins de temps.

2. Il est plus précis (Le Tireur d'élite)
Parce que l'IA a appris à partir de tant d'exemples, elle saisit mieux les détails que l'ancien livre de règles.

• Résolution de l'énergie des jets : En physique, les « jets » sont des projections de particules qui agissent comme un paquet unique. Le document a révélé que pour les jets de taille moyenne, la nouvelle IA mesure leur énergie avec 10 à 20 % de précision en plus que l'ancienne méthode. Imaginez essayer de peser un sac de pommes ; l'ancienne méthode pourrait se tromper de quelques onces, tandis que la nouvelle méthode est précise au gramme près.
• Particules neutres : Elle est particulièrement douée pour repérer les « hadrons neutres » (des particules qui n'ont pas de charge électrique et qui sont difficiles à suivre), en trouvant davantage sans commettre plus d'erreurs.

3. Il est flexible (Le Caméléon)
Les anciennes règles ont été construites pour des conditions de détecteur spécifiques. Si le détecteur change ou si l'énergie de la collision change, les règles doivent souvent être réécrites. L'IA, cependant, a appris les principes de la physique des particules. Le document montre que même lorsqu'ils l'ont testée sur des données provenant d'une année ou d'un niveau d'énergie légèrement différent (qu'elle n'avait pas vus pendant l'entraînement), elle a fonctionné correctement. Elle généralise, ce qui signifie qu'elle peut s'adapter à de nouvelles situations sans avoir besoin d'une refonte complète.

Le test en conditions réelles

L'équipe n'a pas seulement testé cela sur des simulations informatiques ; elle a réellement fait fonctionner l'algorithme sur des données réelles collectées par le détecteur CMS en 2024. Ils ont comparé les résultats de l'IA par rapport à la méthode standard sur des données de collision réelles. Les résultats sont presque identiques en termes de résultats physiques, prouvant que l'IA est prête pour le monde réel.

Pourquoi cela importe (selon le document)

Le document affirme que cela constitue une étape majeure pour l'avenir du LHC. À mesure que le collisionneur sera mis à niveau pour gérer des collisions encore plus denses (une phase appelée « High-Luminosity LHC »), les anciennes méthodes basées sur des règles deviendront trop lentes et trop complexes à gérer.

L'algorithme MLPF prouve que nous pouvons remplacer les règles de physique complexes et artisanales par un modèle d'IA unique et unifié qui est :

• Plus rapide (fonctionnant efficacement sur les GPU modernes).
• Plus intelligent (améliorant la précision des mesures).
• Évolutif (prêt pour les charges de données massives du futur).

En résumé, l'expérience CMS est en train de mettre à jour ses « yeux », passant d'une paire de détectives humains suivant une liste de contrôle à une IA super-intelligente qui voit l'ensemble de l'image instantanément, permettant aux physiciens de voir plus profondément dans les secrets de l'univers.

Résumé technique

Résumé technique : Interprétation complète des événements avec reconstruction de flux de particules basée sur l'apprentissage automatique dans le détecteur CMS

Énoncé du problème
L'algorithme de Flux de Particules (PF - Particle-Flow) est la pierre angulaire de la reconstruction des événements dans l'expérience CMS au CERN LHC, visant à fournir une description globale des collisions au niveau des particules en conciliant les signaux du tracker, des calorimètres et des systèmes de muons. L'implémentation standard de PF repose sur des heuristiques motivées par la physique et des méthodes itératives basées sur des règles (par exemple, le couplage basé sur la proximité) pour associer les impacts du détecteur aux particules. Bien qu'efficaces, ces approches font face à des défis en termes de scalabilité et d'adaptabilité, particulièrement à mesure que la complexité du détecteur et le pileup (interactions simultanées proton-proton) augmentent vers l'ère du High-Luminosity LHC (HL-LHC). Les tâches de clustering traditionnelles présentent souvent une complexité computationnelle élevée ($O(N^3)$ ou $O(N \log N)$) et nécessitent des heuristiques conçues à la main qui sont difficiles à optimiser pour le matériel moderne. De plus, le cadre PF actuel n'est pas nativement adapté à une exécution efficace sur les processeurs graphiques (GPU), ce qui limite le potentiel d'accélération de la reconstruction complète des événements.

Méthodologie
Le document présente l'implémentation d'un algorithme de reconstruction de Flux de Particules basé sur l'apprentissage automatique (MLPF - Machine-Learning-based Particle-Flow) au sein du framework logiciel de CMS. Cette approche remplace plusieurs étapes de reconstruction modulaires par un modèle unique et unifié, entraîné directement sur des données simulées.

• Architecture : L'algorithme MLPF utilise une architecture de type transformer employant des mécanismes d'auto-attention. Contra-rentement aux approches précédentes de réseaux de neurones sur graphes (GNN) testées dans CMS, ce modèle utilise des couches de transformer accélérées par le noyau FLASHATTENTION afin d'atténuer la mise à l'échelle quadratique de la mémoire et du calcul typiquement associée aux mécanismes d'attention. Le modèle prend en entrée des traces reconstruites et des clusters calorimétriques sous forme de vecteurs de caractéristiques et prédit simultanément toutes les particules de l'état final en une seule étape d'inférence.
• Cible d'entraînement : Un composant critique est la définition d'une « cible de niveau particule ». Cette cible est construite pour inclure toutes les particules qui laissent des signaux détectables dans le détecteur (soit directement, soit via des produits de désintégration), se distinguant ainsi des particules de « vérité » générées par le générateur d'événements (PYTHIA) qui peuvent se trouver hors de l'acceptation. La cible inclut un label binaire pour l'origine du pileup, bien que la mitigation du pileup soit effectuée en aval via l'algorithme PUPPI.
• Fonction de perte : Le modèle est entraîné de bout en bout en utilisant une fonction de perte multi-tâche comprenant trois composantes :
  1. Classification binaire ($L_{cls-binary}$) : Détermine si une trace ou un cluster d'entrée est l'élément primaire pour une particule cible.
  2. PID multiclasse ($L_{cls-PID}$) : Classifie le type de particule (photon, électron, muon, hadron chargé, hadron neutre) en utilisant la perte focale (focal loss) pour traiter le déséquilibre des classes.
  3. Régression ($L_{reg}$) : Prédit les composantes de l'impulsion et de l'énergie ($p_T, \eta, \phi, E$). Les cibles de régression sont transformées (ratios logarithmiques par rapport à l'entrée primaire) pour améliorer la stabilité numérique, avec un poids supplémentaire dépendant de $p_T$ pour accentuer les particules de haute énergie.
• Intégration : Le modèle entraîné est exporté au format Open Neural Network Exchange (ONNX) et intégré dans le logiciel offline de CMS via l'interface ONNXRUNTIME. Cela permet au modèle de remplacer le module de reconstruction PF standard tout en laissant intacts les modules de tracking en amont et de clustering de jets en aval.

Principales contributions

1. Première reconstruction ML validée par les données : Ce travail représente la première application d'un pipeline de reconstruction d'événements complet basé sur le ML, validé sur des données collectées par une expérience de collisionneur de hadrons (CMS Run 3, 2023–2024).
2. Modèle Transformer unifié : L'introduction d'une architecture de type transformer qui réalise une reconstruction complète de l'événement apprenable, généralisant à travers les conditions du détecteur et les énergies de collision sans reposer sur des heuristiques itératives.
3. Accélération GPU : Le déploiement réussi de l'algorithme sur des GPU, démontrant que la reconstruction complexe et globale des événements peut être déchargée des CPU vers des accélérateurs, atteignant des accélérations significatives.
4. Validation des performances : Une évaluation exhaustive montrant que l'approche ML atteint des performances physiques comparables à, et dans certains indicateurs supérieures à, l'algorithme PF standard.

Résultats
Les performances de l'algorithme MLPF ont été évaluées à l'aide d'échantillons simulés (événements top quark-antiquark et QCD multijet) et d'un petit sous-ensemble de données du Run 3.

• Performance physique :
  • Résolution d'énergie des jets : Dans les événements simulés top quark-antiquark sous les conditions du Run 3, la résolution d'énergie des jets s'est améliorée de 10 à 20 % pour les jets ayant une impulsion transverse ($p_T$) comprise entre 30 et 100 GeV par rapport au PF standard.
  • Identification des particules : MLPF a obtenu une efficacité améliorée pour les hadrons neutres tout en maintenant le même taux de mauvaise identification que le PF standard. Pour les hadrons chargés et les photons, MLPF a montré une efficacité plus élevée avec un taux de mauvaise identification légèrement supérieur, lequel peut être ajusté.
  • Impulsion transverse manquante ($p_T^{miss}$) : Les distributions de $p_T^{miss}$ reconstruites étaient généralement cohérentes avec le PF standard, bien que MLPF ait reconstruit un spectre légèrement plus dur dans les queues de distribution.
  • Validation des données : Dans les données du Run 3, les distributions d'asymétrie de dijets et de $p_T$ du jet de tête reconstruites par MLPF ont été jugées compatibles avec celles du PF standard, confirmant la capacité du modèle à produire des sorties physiques réalistes.
• Performance computationnelle :
  • Temps d'inférence : Sur un GPU Nvidia L4, l'algorithme MLPF a atteint un temps d'inférence médian de 20 ms par événement, contre environ 110 ms pour la reconstruction PF standard de CMS tournant sur CPU.
  • Scalabilité : L'utilisation de FLASHATTENTION a permis d'obtenir des distributions de temps d'exécution stables et étroites, même pour les événements complexes, avec un support de 64 flux d'inférence parallèles sur un seul GPU. L'algorithme a démontré une meilleure mise à l'échelle du temps d'exécution avec l'augmentation de la complexité de l'événement par rapport au PF itératif standard.

Signification
L'article affirme que l'algorithme MLPF démontre avec succès que l'apprentissage automatique peut remplacer la reconstruction de flux de particules traditionnelle, basée sur des heuristiques, par un modèle unifié offrant des performances physiques comparables ou améliorées et une scalabilité computationnelle supérieure. Ce travail établit les fondations pour la reconstruction future des événements au HL-LHC, où l'augmentation du pileup et de la complexité du détecteur exigera des solutions efficaces et accélérées par GPU. En validant cette approche sur des données réelles, les auteurs démontrent que la reconstruction basée sur le ML n'est pas seulement un exercice de simulation, mais une voie viable pour l'analyse physique de production. L'article souligne que, bien que les résultats actuels soient limités aux conditions du Run 3, la méthodologie fournit un pipeline évolutif pour la mise à niveau de haute luminosité et les futurs collisionneurs, permettant potentiellement la programmation différentiable pour l'optimisation des détecteurs.