⚛️ high-energy experiments

Using Graph Neural Networks for the segmentation of overlapping objects in high granularity calorimeters

Cet article présente un pipeline de réseaux de neurones sur graphes optimisé qui démêle efficacement les gerbes de deux photons chevauchantes dans les calorimètres à haute granularité en prédisant les fractions d'énergie au niveau des nœuds avec une complexité algorithmique réduite.

Auteurs originaux : Matthieu Melennec, Frédéric Magniette

Publié 2026-09-29

📖 5 min de lecture🧠 Analyse approfondie

CC BY 4.0

Auteurs originaux : Matthieu Melennec, Frédéric Magniette

Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète

Au cœur de la physique des particules moderne, les scientifiques se préparent à un avenir où les secrets les plus fondamentaux de l'univers ne seront pas révélés en observant un événement unique, mais en regardant près de deux cents collisions se produire exactement au même moment. C'est le défi du Grand Collisionneur de Hadrons à Haute Luminosité (HL-LHC), une amélioration du collisionneur de particules le plus puissant au monde. Lorsque les protons s'entrechoquent avec une telle fréquence, l'énergie qu'ils libèrent crée une tempête chaotique de débris. Dans les détecteurs traditionnels, cette tempête ressemble à une masse d'énergie informe et désordonnée, rendant impossible de déterminer quelle particule provient de quelle collision. Pour résoudre ce problème, la prochaine génération d'expériences construit des détecteurs d'une précision sans précédent, capables de voir les fils individuels d'énergie lorsqu'ils se propagent. Cependant, voir les fils n'est que la moitié de la bataille ; la véritable difficulté réside dans leur démêlage. Lorsque deux particules s'échappent d'une même collision et que leurs traînées d'énergie se croisent, elles se chevauchent, créant un puzzle complexe que les anciens algorithmes informatiques ne peuvent résoudre.

C'est ici qu'une nouvelle approche intervient, utilisant un type d'intelligence artificielle conçue pour comprendre les relations entre des points dans l'espace. Des chercheurs de l'École Polytechnique en France ont développé un système spécialisé pour séparer ces traînées d'énergie qui se chevauchent, en se concentrant spécifiquement sur les paires de photons, qui sont des particules de lumière. Dans leurs simulations, ils ont créé un scénario où deux photons, nés de la désintégration d'un pion neutre, voyagent dans un détecteur et leurs dépôts d'énergie se mélangent. L'objectif était d'apprendre à un ordinateur à regarder ce mélange confus et à décider, pour chaque fragment d'énergie observé, quelle part appartient au premier photon et quelle part appartient au second. L'équipe a constaté qu'en traitant les données du détecteur comme un réseau de points connectés, elle pouvait réussir à démêler les deux gerbes, récupérant l'énergie et la direction d'origine de chaque particule avec une grande précision.

Le détecteur utilisé dans cette étude est un calorimètre à échantillonnage, un dispositif qui mesure l'énergie en capturant la cascade de particules créées lorsqu'un photon de haute énergie frappe la matière. Le détecteur simulé possède vingt-six couches de capteurs électromagnétiques suivies de vingt-quatre couches de capteurs hadroniques, créant une carte tridimensionnelle des dépôts d'énergie. Lorsque deux photons arrivent proches l'un de l'autre, leur énergie frappe les mêmes capteurs, et le détecteur enregistre simplement la somme de l'énergie. Pour tester leur méthode, les chercheurs ont généré des millions d'événements simulés où deux photons entraient dans le détecteur avec des angles compris entre un et quatre et demi degrés d'écart. Ils ont ensuite injecté ces données dans un Réseau de Neurones Graphiques (GNN), un type de modèle d'apprentissage automatique qui excelle dans le traitement de données où les connexions entre les éléments comptent plus que les éléments eux-mêmes. Au lieu de traiter le détecteur comme une grille, le modèle traite chaque dépôt d'énergie comme un nœud dans un graphe, connecté à ses voisins en fonction de leur proximité physique.

Un obstacle majeur à l'utilisation de ces réseaux en physique des particules a été le coût considérable de la création des connexions entre les points. Habituellement, un ordinateur doit comparer chaque point à tous les autres pour voir s'ils sont assez proches pour être connectés, un processus qui devient incroyablement lent à mesure que le nombre de points augmente. Les chercheurs ont résolu ce problème en utilisant une carte de distances précalculée, permettant au système de trouver rapidement les voisins sans effectuer les calculs lourds pour chaque événement. Cette optimisation a considérablement réduit la complexité de la tâche, la rendant réalisable pour les ensembles de données massifs requis par les futures expériences. Le réseau a ensuite été entraîné pour prédire deux choses pour chaque point d'énergie : la fraction de cette énergie provenant du photon dominant, et l'emplacement estimé où ce photon est entré pour la première fois dans le détecteur.

Les résultats ont montré que le système pouvait séparer efficacement les gerbes chevauchantes. En prédisant l'endroit où chaque photon est entré dans le détecteur, le modèle pouvait regrouper les dépôts d'énergie en deux clusters distincts, même lorsqu'ils étaient fortement mélangés. Les chercheurs ont mesuré le succès de cette séparation en observant à quel point l'énergie totale de chaque photon reconstruit correspondait à l'énergie réelle. Ils ont constaté qu'à mesure que la distance entre les deux photons entrants augmentait, la séparation devenait plus précise, ce qui est attendu puisque les traînées se chevauchent moins. Même lorsque les photons étaient très proches, le système parvenait à récupérer l'énergie avec un haut degré de précision, bien qu'un léger biais subsistait, le système sous-estimant légèrement l'énergie totale. Ce biais a été attribué au fait que l'étape finale de regroupement des points reposait sur une méthode de clustering statistique qui n'était pas pleinement intégrée au processus d'entraînement.

L'étude démontre que les réseaux de neurones basés sur les graphes peuvent gérer la complexité extrême des détecteurs à haute granularité sans nécessiter les calculs prohibitifs des anciennes méthodes. Bien que le système actuel repose encore sur une étape de post-traitement pour finaliser le regroupement des particules, la capacité fondamentale à prédire les fractions d'énergie et les points d'entrée directement à partir des données brutes constitue une avancée significative. Les chercheurs reconnaissent que des améliorations futures seront nécessaires pour rendre l'ensemble du processus, y compris l'étape de regroupement, entièrement différentiable et entraînable, ce qui permettrait au système de corriger ses propres biais plus efficacement. Pour l'instant, ce pipeline optimisé offre une voie compétitive pour démêler les gerbes d'énergie chaotiques du futur HL-LHC, garantissant que le détail sans précédent des nouveaux détecteurs puisse être pleinement utilisé pour révéler la physique cachée dans le bruit.

Résumé Technique : Pipeline SOOP pour la segmentation d'objets chevauchants

Énoncé du problème
La mise à niveau du Grand Collisionneur de Hadrons à Haute Luminosité (HL-LHC) introduira un empilement (pileup) sévère, avec près de 200 collisions simultanées par croisement de faisceaux, provoquant des chevauchements spatiaux des dépôts d'énergie dans les calorimètres conventionnels. Alors que les prochaines générations d'expériences comme CMS déploient des calorimètres à haute granularité (HGCAL) pour capturer un détail sans précédent du développement des gerbes, les algorithmes hérités peinent à se généraliser à ces sorties de haute dimension sans une complexité computationnelle prohibitive. Plus précisément, les approches classiques de réseaux de neurones sur graphes (GNN), bien que prometteuses pour la reconstruction de particules, reposent souvent sur la construction de graphes et des mises à jour dynamiques d'adjacence qui évoluent de manière quadratique avec le nombre de nœuds, ce qui les rend extrêmement coûteuses en termes de calcul pour des applications en temps réel ou à fort empilement.

Méthodologie : Le pipeline SOOP
Les auteurs présentent SOOP (Segmentation of Overlapping Objects Pipeline), un cadre GNN optimisé conçu pour démêler les gerbes de deux photons chevauchantes. La méthodologie traite à la fois l'efficacité algorithmique et le défi spécifique de l'ambiguïté des étiquettes dans les événements chevauchants.

Construction de graphes optimisée : Pour réduire la complexité algorithmique, le pipeline utilise l'algorithme PT-KNN avec des tables de proximité pré-calculées. Les capteurs sont pré-ordonnés par distance, permettant la construction des arêtes via les $k$ -plus proches voisins ( $k=4$ ) sans effectuer de calculs de distances par paires complets lors du traitement des événements. Cela déplace la complexité d'un régime quadratique vers un régime sous-quadratique.
Stratégie de régression au niveau des nœuds : Au lieu de classifier directement les nœuds en "Gerbe A" ou "Gerobe B" (ce qui souffre d'une ambiguïté de permutation globale due à la nature symétrique du problème), le modèle emploie un objectif de double régression pour chaque nœud de frappe $v$ $v$ :
1. Fraction d'énergie dominante ( $f_v^{(X)}$ ) : Prédire la fraction d'énergie ( $\in [0,5, 1]$ ) contribuée par la gerbe localement dominante.
2. Point d'entrée dans le détecteur ( $\tilde{u}_v$ ) : Prédire la position 2D où la particule contribuant à l'énergie dominante est entrée dans le détecteur.
Clustering et reconstruction :
- Les points d'entrée prédits sont regroupés (clustering) pour résoudre l'assignation globale. Le pipeline élimine d'abord les valeurs aberrantes à l'aide de DBSCAN, puis ajuste un modèle de mélange gaussien (GMM) avec une matrice de covariance liée pour identifier les deux positions d'entrée des particules incidentes.
- Les nœuds sont assignés à la gerbe correspondant au composant gaussien le plus probable.
- La reconstruction finale de la gerbe est réalisée en pondérant les énergies de frappe : la fraction dominante est assignée à la gerbe associée, et la fraction complémentaire ( $1 - f$ ) est assignée à l'autre.
Entraînement : Le modèle est entraîné sur les sorties des couches de convolution à l'aide d'une fonction de perte combinant l'erreur de position ( $L_{pos}$ ) et l'erreur de fraction d'énergie ( $L_{frac}$ ). Notamment, l'étape de clustering GMM est effectuée a posteriori lors de l'inférence, et non durant la passe avant de l'entraînement, afin d'éviter la non-différentiabilité de l'opération de clustering.

Contributions clés

Optimisation algorithmique : L'introduction de PT-KNN avec des tables pré-calculées accélère considérablement la construction du graphe, réduisant la complexité algorithmique des GNN standards qui nécessitent typiquement des mises à jour d'adjacence dynamiques.
Formulation respectueuse de la symétrie : L'article propose une formulation de régression locale qui contourne l'ambiguïté de permutation globale inhérente à la segmentation d'objets chevauchants. En prédisant une fraction dominante et un point d'entrée, le modèle respecte structurellement les symétries d'entrée tout en permettant une assignation unique par événement.
Efficacité de la géométrie statique : Ce travail démontre que le passage de messages statique sensible à la géométrie (utilisant des arêtes fixes basées sur la proximité du détecteur) peut atteindre des performances de séparation compétitives, comparables aux méthodes dynamiques plus lourdes, sans nécessiter de mises à jour itératives d'adjacence.

Résultats
Évalué sur le jeu de données D2 (paires de photons simulées dans un détecteur inspiré de l'HGCAL avec des énergies entre 10 et 100 GeV et des séparations angulaires de $1^\circ$ à $4,5^\circ$ ), le pipeline SOOP a obtenu les résultats suivants :

Efficacité de séparation : Le modèle a reconstruit avec succès les gerbes chevauchantes, avec des performances comparables aux méthodes dynamiques de pointe.
Fonction de réponse : La réponse de la reconstruction d'énergie globale ( $R$ ) a été évaluée. Bien que la réponse moyenne soit légèrement inférieure à 1 (indiquant un biais résiduel), l'écart-type de la réponse s'est considérablement amélioré à mesure que l'angle de séparation entre les photons augmentait. Cette amélioration est corrélée à une diminution des frappes partagées, réduisant le nombre de nœuds présentant des fractions ambiguës ( $f \approx 0,5$ ).
Observation du biais : Un biais a été observé où les points d'entrée reconstruits avaient tendance à se regrouper vers le point médian entre les vrais points d'entrée des photons. Les auteurs notent que cela est probablement dû au fait que l'étape de clustering a posteriori ne fait pas partie de la perte d'entraînement.

Signification et limites
L'article affirme que SOOP offre une voie viable pour exploiter les données à haute granularité dans les environnements à fort empilement en réduisant la complexité algorithmique des GNN tout en maintenant une haute fidélité de segmentation. Il démontre qu'un désenchevêtrement spatial détaillé et la récupération du point d'entrée des particules incidentes sont possibles au-delà de la simple rejet de bruit de fond.

Cependant, les auteurs reconnaissent modestement deux limites structurelles :

Clustering non différentiable : Le recours à un GMM a posteriori empêche une optimisation complète de bout en bout de la perte totale de reconstruction de la gerbe, car l'étape de clustering ne peut pas propager les gradients pour corriger les prédictions de position.
Absence de représentation multi-échelle : En tant que pipeline de régression au niveau du nœud sans pooling de graphe, le modèle souffre d'une atténuation du message sur de longues distances, limitant sa capacité à former des représentations multi-échelles. Les auteurs suggèrent que les travaux futurs devraient explorer des architectures encodeur-décodeur de graphes pour pallier cela.

Articles similaires