Track and Vertex Reconstruction with the ATLAS Inner Detector

Cet article détaille les algorithmes et la configuration logicielle utilisés pour la reconstruction des particules chargées et des sommets primaires dans le détecteur interne d'ATLAS, démontrant leur haute efficacité, leur haute résolution et leurs faibles taux de mauvaise reconstruction lorsqu'ils sont appliqués aux données du Run 2 et du début du Run 3 dans des conditions de fort empilement.

L'essentiel

Imaginez le détecteur ATLAS au CERN comme un appareil photo massif et ultra-rapide tentant de capturer une image d'un feu d'artifice chaotique. Mais au lieu de feux d'artifice, il observe des milliards de minuscules particules entrant en collision à une vitesse proche de celle de la lumière. L'objectif de cet article est d'expliquer comment l'équipe ATLAS a construit le meilleur « appareil photo logiciel » possible pour suivre ces particules et déterminer exactement où elles ont pris naissance.

Voici une décomposition de leur méthode, utilisant des analogies simples.

Le Défi : Une Foule de Lucioles

Le problème principal est la surpopulation. Lorsque deux faisceaux de protons entrent en collision, ils ne créent pas seulement une paire de particules ; ils génèrent une explosion massive de débris.

• L'« Empilement » (Pile-up) : Imaginez essayer de suivre une seule luciole dans un champ où des milliers d'autres lucioles clignotent exactement au même moment. Dans le passé (Run 2), il y avait environ 34 collisions par seconde. Maintenant (Run 3), il y en a plus de 60.
• L'Objectif : Le logiciel doit trouver les « vraies » trajectoires (les chemins des particules qui nous intéressent) sans se laisser confondre par le bruit ou assembler accidentellement des morceaux de différentes lucioles en une seule fausse trajectoire.

Le Matériel : Un Oignon à Plusieurs Couches

Pour capturer ces particules, le détecteur ATLAS possède un « Détecteur interne » (ID) qui agit comme un oignon high-tech à trois couches principales :

1. La Couche à Pixels (Le Cœur) : La couche la plus interne, la plus proche du point de collision. C'est comme un écran de maille ultra-fin qui capture les premiers pas d'une particule. Elle est incroyablement précise mais reçoit les impacts les plus violents.
2. La Couche à Bandes (Le Milieu) : Une couche de bandes de silicium qui agit comme une grille, aidant à confirmer la trajectoire.
3. La Couche à Tubes (La Coquille Extérieure) : La couche la plus externe, remplie de tubes remplis de gaz (pailles). C'est comme un filet qui capture les derniers pas de la particule, aidant à mesurer sa quantité de mouvement.

Le Logiciel : Comment Ils Trouvent les Trajectoires

L'article décrit un algorithme sophistiqué qui agit comme un détective résolvant une énigme dans une pièce bondée.

1. La « Graine » (Trouver les Indices)
Le logiciel commence par chercher des « graines ». Imaginez un détective trouvant trois empreintes de pas qui semblent appartenir à la même personne. Le logiciel recherche des groupes de trois impacts (mesures) dans les couches internes qui s'alignent parfaitement. S'ils le font, il crée une « graine » — une hypothèse sur l'endroit où une particule pourrait se trouver.

2. La « Reconnaissance de Motifs » (Suivre la Piste)
Une fois une graine trouvée, le logiciel tente d'étendre la trajectoire. Il utilise un Filtre de Kalman (pensez-y comme un GPS intelligent) pour prédire où la particule devrait être ensuite et cherche l'empreinte suivante.

• Le Défi : Dans une pièce bondée, les empreintes se chevauchent. Parfois, une empreinte de la Personne A semble appartenir à la Personne B.
• La Solution : Le logiciel crée de nombreuses trajectoires possibles (candidats) puis utilise un Résolveur d'Ambiguïtés. C'est comme un arbitre dans un match de sport. Il examine toutes les trajectoires concurrentes et décide : « D'accord, cette empreinte spécifique appartient à l'équipe rouge, pas à l'équipe bleue. » Il priorise les trajectoires les plus probables et rejette celles qui sont confuses.

3. Le « Ajustement » (Tracer la Ligne)
Une fois la trajectoire confirmée, le logiciel trace une ligne lisse à travers les points. Il utilise un Ajusteur Global $\chi^2$ (un outil mathématique) pour calculer la courbe exacte. Comme les particules se déplacent dans un champ magnétique, elles courbent. Le logiciel mesure cette courbe pour déterminer la vitesse et la charge de la particule.

• Cas Particulier (Électrons) : Les électrons sont délicats ; ils ont tendance à perdre de l'énergie et à zigzaguer (comme une personne ivre marchant). Le logiciel utilise un filtre spécial « Somme de Gaussiennes » pour gérer ces trajectoires vacillantes, assurant qu'il ne les perd pas de vue.

4. Les Chasseurs de « Particules à Vie Longue »
La plupart des particules meurent instantanément au centre. Mais certaines « Particules à Vie Longue » (LLP) voyagent un peu plus loin avant de se désintégrer. Le logiciel standard pourrait les manquer car il suppose que tout commence exactement au centre. L'article décrit un mode spécial de « Suivi à Grand Rayon » qui cherche des trajectoires commençant plus loin, comme un détective cherchant des empreintes de pas qui commencent à 3 mètres du lieu du crime.

Les Résultats : Comment Cela Fonctionne-t-il ?

L'article teste ce logiciel sur des données réelles de 2015 à 2018 et sur des données plus récentes de 2022.

• Efficacité : Le logiciel est incroyablement bon pour trouver les vraies particules. Même dans les conditions les plus encombrées (plus de 60 collisions), il trouve plus de 75 % des particules importantes.
• Précision : Il fait rarement des erreurs. Le taux de « fausses trajectoires » (des chemins qui n'existent pas réellement) est très faible — moins de 0,1 % dans des conditions normales et seulement environ 0,2 % dans les situations d'encombrement les plus extrêmes.
• Vitesse : Le logiciel est assez rapide pour traiter ces événements massifs en temps réel. Il s'adapte bien, ce qui signifie qu'il ne ralentit pas trop même lorsque la foule grossit.
• Recherche de Vertex : Il peut également localiser exactement où la collision a eu lieu (le « vertex »). Même lorsque de nombreuses collisions se produisent simultanément, il peut les séparer comme si l'on triait des billes de différentes couleurs tombées en tas.

La Conclusion

Cet article confirme que l'équipe ATLAS a mis à jour son « détective numérique » pour gérer les conditions les plus animées et les plus encombrées que le Grand collisionneur de hadrons ait jamais connues. En utilisant des algorithmes intelligents pour trier le bruit, ils s'assurent que les physiciens peuvent toujours trouver les particules rares et intéressantes qui se cachent dans le chaos, ouvrant la voie à de futures découvertes sur l'univers.

Résumé technique

Résumé technique : Reconstruction de traces et de sommets avec le détecteur interne d'ATLAS

Énoncé du problème
La reconstruction des particules chargées est un élément fondamental de la reconstruction d'événements dans l'expérience ATLAS au Grand collisionneur de hadrons (LHC). Elle sert d'entrée critique pour la reconstruction de tous les autres objets physiques (électrons, muons, jets, leptons $\tau$) et est essentielle tant pour l'analyse hors ligne que pour la sélection d'événements en ligne via le déclencheur de haut niveau. Le défi principal abordé dans cet article est le maintien d'une efficacité et d'une pureté de reconstruction élevées en présence de conditions de superposition (pile-up) de plus en plus intenses. Pendant la prise de données Run 2 (2015–2018), le nombre moyen d'interactions proton–proton simultanées par croisement de paquets ($\langle\mu\rangle$) était d'environ 34, tandis que Run 3 (2022–2026) fonctionne avec des valeurs de $\langle\mu\rangle$ dépassant 60. Ces fortes densités augmentent considérablement la complexité combinatoire de la reconnaissance de motifs, augmentant la probabilité de candidats de traces spurieux (faux) et exigeant des ressources CPU substantielles. De plus, le détecteur interne (ID) doit reconstruire avec précision les traces de particules à longue durée de vie (LLP) et au sein d'environnements denses (jets à haut $p_T$), où la séparation des particules approche la granularité des capteurs.

Méthodologie
L'article décrit la conception algorithmique et les performances de la reconstruction hors ligne des traces et du sommet primaire en utilisant la configuration logicielle la plus récente déployée pour la prise de données d'ATLAS. Cette configuration a été optimisée pour Run 3 et appliquée à un retraitement complet des données de Run 2.

• Systèmes de détecteurs : La reconstruction utilise le détecteur interne d'ATLAS, comprenant la couche B insérable (IBL) et le détecteur à pixels, le trajectographe à semi-conducteurs (SCT) et le trajectographe à rayonnement de transition (TRT), tous immergés dans un champ magnétique de 2 T.
• Stratégie de reconstruction de traces : Le processus suit une séquence primaire « de l'intérieur vers l'extérieur » :
  1. Formation de points spatiaux : Les amas (clusters) des détecteurs à pixels et SCT sont combinés en points spatiaux 3D.
  2. Amorçage (Seeding) : Des triplets de points spatiaux forment des amorces de traces (PPP ou SSS). Les amorces SSS sont traitées en premier pour contraindre la région d'interaction longitudinale pour les amorces PPP ultérieures.
  3. Recherche de traces : Un filtre de Kalman combinatoire (CKF) associe des amas supplémentaires aux amorces, propageant les trajectoires à travers le volume du détecteur.
  4. Résolution des ambiguïtés : Un solveur dédié résout les conflits où des amas sont partagés entre plusieurs candidats de traces. Cette étape utilise un système de notation et un réseau de neurones (NNNum) pour identifier les amas de pixels fusionnés (P1, P2, P3) dans les environnements denses, permettant des règles de partage assouplies dans des régions d'intérêt (RoI) spécifiques définies par les dépôts dans le calorimètre.
  5. Ajustement de traces : Un ajusteur global $\chi^2$ (GXF) effectue un ajustement de précision. Pour les électrons, un filtre à somme gaussienne (GSF) est utilisé pour modéliser les pertes d'énergie non gaussiennes dues au rayonnement de freinage.
  6. Extensions : Les traces sont étendues dans le TRT pour améliorer la résolution en impulsion. Une passe séparée « amorcée par le TRT » récupère les traces provenant de conversions de photons qui auraient pu manquer les couches de silicium.
  7. Passes spécialisées : Une séquence de suivi à grand rayon (LRT) cible les sommets déplacés des particules à longue durée de vie, utilisant des contraintes de paramètre d'impact assouplies mais des exigences de multiplicité d'amas plus strictes pour contrôler la combinatoire.
• Reconstruction du sommet primaire : Le détecteur de sommets multi-vertex adaptatif (AMVF) trouve et ajuste itérativement les sommets. Il utilise un détecteur d'amorces de densité de traces gaussienne et une minimisation des moindres carrés pondérés qui permet aux sommets de concourir pour les traces, gérant efficacement le superposition élevé.
• Qualité et association : Deux points de fonctionnement (WP) sont définis : « Lâche » (priorisant l'efficacité) et « Primaire strict » (priorisant la pureté). Une procédure d'association trace-sommet (TTVA) distincte lie les traces aux sommets en utilisant la signification du paramètre d'impact ou les poids d'ajustement, avec des points de fonctionnement spécifiques pour les traces promptes et non promptes.

Contributions clés

• Configuration logicielle optimisée : L'article détaille la configuration logicielle spécifique utilisée pour Run 3, qui inclut le rejet précoce des candidats de faible qualité pour gérer l'utilisation du CPU et maintenir la pureté.
• Gestion des environnements denses : La mise en œuvre du réseau de neurones NNNum pour la classification des amas de pixels fusionnés et l'assouplissement des règles d'ambiguïté dans les RoI de calorimètre à haute énergie améliorent considérablement le suivi dans les jets à haut $p_T$.
• Suivi des particules à longue durée de vie : L'intégration de la séquence LRT en tant que passe de suivi standard et orthogonale permet une reconstruction efficace des traces déplacées sans compromettre la séquence principale.
• Reconstruction des électrons : L'utilisation de réseaux de densité de mélanges (MDN) pour affiner les positions des amas et du GSF pour l'ajustement des électrons traite les effets du matériau et les non-linéarités de perte d'énergie.
• Validation complète des performances : L'article fournit un aperçu consolidé des performances utilisant à la fois les données de Run 2 et un sous-ensemble de données de Run 3, ainsi que des simulations Monte Carlo extensives couvrant une large gamme de conditions de superposition ($\mu$ jusqu'à 80).

Résultats

• Efficacité : La reconstruction maintient une efficacité élevée pour les particules chargées avec $p_T > 500$ MeV. Pour le point de fonctionnement « Primaire strict », l'efficacité est d'environ 80 % dans la région centrale ($|\eta| < 1,5$) et reste robuste jusqu'à $|\eta| = 2,5$. Le point de fonctionnement « Lâche » offre une efficacité supérieure de 5 à 10 %.
• Taux de mauvaise reconstruction : Le taux de traces fausses est maintenu bas. Pour des conditions typiques de Run 2 ($\mu \approx 30$), le taux de faux est d'environ 0,9 % pour Lâche et d'environ 0,07 % pour Primaire strict. Pour les conditions de Run 3 ($\mu \approx 60$), ces taux augmentent à environ 6,5 % (Lâche) et 0,16 % (Primaire strict).
• Résolution : Les résolutions des paramètres d'impact ($d_0$ et $z_0$) montrent un excellent accord entre les données et la simulation. À haut $p_T$, les résolutions sont dominées par la résolution intrinsèque du détecteur et l'alignement, tandis qu'à bas $p_T$, la diffusion multiple est le facteur limitant.
• Environnements denses : Dans les jets à haut $p_T$, l'efficacité de reconstruction de traces diminue en raison de la fusion des amas, mais les méthodes basées sur les données (utilisant $dE/dx$) confirment que la simulation modélise ces effets de manière raisonnable, avec des différences allant jusqu'à 25 % dans des régimes de haute densité spécifiques. La contribution supplémentaire du taux de faux dans les cœurs de jets est estimée à 0,2–0,3 % pour les jets typiques à haut $p_T$.
• Reconstruction de sommets : La reconstruction du sommet primaire atteint une efficacité proche de 100 % pour sélectionner le sommet de diffusion dure dans les événements $t\bar{t}$. La résolution longitudinale du sommet de diffusion dure reste stable même à des densités de superposition élevées.
• Performances informatiques : Le temps CPU par événement évolue de manière stable jusqu'à $\mu = 60$. Au-delà, une augmentation super-linéaire du temps de traitement est observée, soulignant les défis informatiques pour les futures opérations à haute luminosité.

Signification
L'article affirme que la configuration actuelle de reconstruction de traces et de sommets d'ATLAS maintient avec succès une efficacité élevée, une bonne résolution et de faibles taux de mauvaise reconstruction dans les conditions exigeantes de Run 3. Les stratégies développées — en particulier le rejet précoce des candidats de faible qualité, la gestion spécialisée des environnements denses et des particules à longue durée de vie, et la résolution robuste des ambiguïtés — garantissent que la reconstruction fournit une collection pure de traces pour les analyses physiques en aval. Ces développements sont présentés non pas comme remplaçant les travaux précédents, mais comme un aperçu consolidé de la configuration actuelle de l'art. L'article conclut que ces réalisations fournissent une base solide pour la transition vers le trajectographe interne tout en silicium (ITk) pour l'ère du LHC à haute luminosité, où les niveaux de superposition devraient atteindre $\langle\mu\rangle \approx 140\text{--}200$. L'expérience acquise avec la reconstruction actuelle de l'ID informe directement la migration vers la boîte à outils ACTS et le développement de méthodes de suivi basées sur l'apprentissage automatique pour les opérations futures.