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

Questo articolo presenta un algoritmo di particle-flow basato su machine learning (MLPF) allo stato dell'arte, implementato su GPU all'interno del framework CMS, che unifica la ricostruzione degli eventi in un unico modello pur ottenendo prestazioni fisiche comparabili ai metodi standard, una risoluzione dell'energia dei jet significativamente migliorata e una riduzione di cinque volte del tempo di inferenza.

L'essenziale

Immaginate il Large Hadron Collider (LHC) al CERN come un enorme e velocissimo frantumatore di particelle. Quando due protoni collidono, non si limitano a rompersi; esplodono in una pioggia caotica di migliaia di minuscoli frammenti invisibili. Il rivelatore CMS è una gigantesca telecamera ad alta tecnologia che cerca di scattare una foto a questa esplosione. Il suo compito è capire esattamente cos'è ogni singolo frammento (è un fotone? un elettrone? un pezzo di un protone?) e quanto velocemente si muove.

Per anni, il CMS ha utilizzato un "libro di ricette" chiamato algoritmo di Particle-Flow (PF). Pensate al vecchio algoritmo PF come a una squadra di detective umani che cercano di risolvere un puzzle. Osservano gli indizi provenienti da diverse parti della telecamera (il tracker, i calorimetri) e utilizzano una lunga lista di regole rigide e scritte a mano per unire i puntini. "Se una traccia appare così e un ammasso di energia appare in quel modo, devono essere la stessa particella". Funziona bene, ma è lento, rigido e richiede molta regolazione manuale.

Questo articolo presenta un nuovo, più intelligente detective: MLPF (Machine-Learned Particle Flow).

Il Nuovo Detective: Una Rete Neurale

Invece di seguire un libro di regole rigido, MLPF è come uno studente che ha letto milioni di libri di testo di fisica e ha osservato milioni di esplosioni simulate. Utilizza un tipo di intelligenza artificiale chiamato Transformer (la stessa tecnologia alla base dei modelli linguistici avanzati).

• Come impara: Il team ha nutrito questa IA con milioni di collisioni "simulate". Hanno mostrato all'IA i dati grezzi (le tracce e gli ammassi di energia) e le hanno detto: "Ecco cosa è accaduto realmente nella simulazione". L'IA ha imparato a riconoscere schemi e correlazioni che le regole umane potrebbero mancare.
• Come pensa: Inveve di controllare gli indizi uno alla volta, l'IA osserva l'intera esplosione contemporaneamente. Comprende come ogni singolo pezzo del puzzle si relazioni con tutti gli altri pezzi simultaneamente.

Le Grandi Vittorie

1. È Molto Più Veloce (Il Velocista)
Il vecchio detective (PF standard) gira su normali processori per computer (CPU) e impiega circa 110 millisecondi per analizzare una collisione. È come impiegare molto tempo per smistare un mazzo di carte.
Il nuovo detective IA (MLPF) gira su una scheda grafica specializzata (GPU), che è costruita proprio per questo tipo di lavoro pesante. Completa lo stesso lavoro in soli 20 millisecondi. Si tratta di un incremento di velocità di 5 volte. È come passare dallo smistare le carte a mano all'uso di una macchina ad alta velocità. Questa velocità è fondamentale perché l'LHC sta diventando più frenetico e hanno bisogno di elaborare più collisioni in meno tempo.

2. È Più Preciso (Il Tiratore Scelto)
Poiché l'IA ha imparato da così tanti esempi, coglie i dettagli meglio del vecchio libro di regole.

• Risoluzione dell'energia dei Jet: In fisica, i "jet" sono spruzzi di particelle che agiscono come un unico pacchetto. L'articolo ha scoperto che, per i jet di medie dimensioni, la nuova IA misura la loro energia con una precisione superiore del 10–20% rispetto al vecchio metodo. Immaginate di cercare di pesare un sacco di mele; il vecchio metodo potrebbe sbagliare di qualche oncia, mentre il nuovo metodo è preciso fino al grammo.
• Particelle Neutre: È particolarmente bravo nel individuare gli "adroni neutri" (particelle che non hanno carica elettrica ed sono difficili da tracciare), trovandone di più senza commettere più errori.

3. È Flessibile (Il Camaleonte)
Le vecchie regole sono state costruite per specifiche condizioni del rivelatore. Se il rivelatore cambia o l'energia della collisione cambia, le regole devono spesso essere riscritte. L'IA, invece, ha imparato i principi della fisica delle particelle. L'articolo mostra che, anche quando è stata testata su dati di un anno leggermente diverso o di un livello di energia differente (che non aveva visto durante l'addestramento), ha funzionato bene. Generalizza, il che significa che può adattarsi a nuove situazioni senza richiedere una ristrutturazione completa.

Il Test nel Mondo Reale

Il team non ha testato questo sistema solo su simulazioni al computer; ha effettivamente eseguito il test su dati reali raccolti dal rivelatore CMS nel 2024. Hanno confrontato l'output dell'IA con il metodo standard su dati di collisione reali. I risultati sono quasi identici in termini di esiti fisici, dimostrando che l'IA è pronta per il mondo reale.

Perché Questo è Importante (Secondo l'Articolo)

L'articolo afferma che questo è un grande passo avanti per il futuro dell'LHC. Man mano che il collider verrà aggiornato per gestire collisioni ancora più affollate (una fase chiamata "High-Luminosity LHC"), i vecchi metodi basati su regole diventeranno troppo lenti e troppo complessi da gestire.

L'algoritmo MLPF dimostra che possiamo sostituire le complesse regole fisiche create a mano con un singolo modello di IA unificato che è:

• Più veloce (girando efficientemente sulle moderne GPU).
• Più intelligente (migliorando la precisione delle misurazioni).
• Scalabile (pronto per i carichi di dati massicci del futuro).

In breve, l'esperimento CMS sta aggiornando i suoi "occhi", passando da una coppia di detective umani che seguono una checklist a una super-intelligenza artificiale che vede l'intero quadro istantaneamente, permettendo ai fisici di guardare più a fondo nei segreti dell'universo.

Sommario tecnico

Sintesi Tecnica: Interpretazione dell'Evento Completo con Ricostruzione Particle-Flow basata su Machine Learning nel Rivelatore CMS

Problematica
L'algoritmo Particle-Flow (PF) è la pietra angolare della ricostruzione degli eventi nell'esperimento CMS al CERN LHC, con l'obiettivo di fornire una descrizione globale, a livello di particella, delle collisioni, riconciliando i segnali provenienti dal tracker, dai calorimetri e dai sistemi dei muoni. L'implementazione standard del PF si basa su euristiche motivate dalla fisica e su metodi iterativi basati su regole (ad esempio, il linking basato sulla prossimità) per associare gli urti del rivelatore alle particelle. Sebbene efficaci, questi approoli affrontano sfide in termini di scalabilità e adattabilità, in particolare con l'aumentare della complessità del rivelatore e del pileup (interazioni simultanee protone-protone) verso l'era dell'High-Luminosity LHC (HL-LHC). I tradizionali compiti di clustering presentano spesso un'elevata complessità computazionale ($O(N^3)$ o $O(N \log N)$) e richiedono euristiche create manualmente che sono difficili da ottimizzare per l'hardware moderno. Inoltre, l'attuale framework PF non è nativamente adatto per un'esecuzione efficiente su unità di elaborazione grafica (GPU), limitando il potenziale di accelerazione per la ricostruzione dell'evento completo.

Metodologia
Il documento presenta l'implementazione di un algoritmo di ricostruzione Particle-Flow basato su Machine Learning (MLPF) all'interno del framework software di CMS. Questo approccio sostituisce molteplici moduli di ricostruzione con un singolo modello unificato addestrato direttamente su dati simulati.

• Architettura: L'algoritmo MLPF utilizza un'architettura basata su transformer che impiega meccanismi di self-attention. A differenza dei precedenti approcci basati su Graph Neural Networks (GNN) testati in CMS, questo modello utilizza layer transformer accelerati dal kernel FLASHATTENTION per mitigare la scalabilità quadratica della memoria e del calcolo tipicamente associata ai meccanismi di attenzione. Il modello prende come input vettori di caratteristiche di tracce ricostruite e cluster calorimetrici e predice simultaneamente tutte le particelle dello stato finale in un unico step di inferenza.
• Target di Addestramento: Un componente critico è la definizione di un "target di addestramento a livello di particella". Questo target è costruito per includere tutte le particelle che lasciano segnali rilevabili nel rivelatore (direttamente o tramite prodotti di decadimento), distinguendole dalle particelle "truth" generate dal generatore di eventi (PYTHIA) che potrebbero trovarsi al di fuori dell'accettanza. Il target include un'etichetta binaria per l'origine del pileup, sebbene la mitigazione del pileup venga eseguita a valle tramite l'algoritmo PUPPI.
• Funzione di Perdita (Loss Function): Il modello è addestrato end-to-end utilizzando una funzione di perdita multi-task composta da tre componenti:
  1. Classificazione Binaria ($L_{cls-binary}$): Determina se una traccia o un cluster in input è l'elemento primario per una particella target.
  2. PID Multiclasse ($L_{cls-PID}$): Classifica il tipo di particella (fotone, elettrone, muone, adrone carico, adrone neutro) utilizzando la focal loss per affrontare lo sbilanciamento delle classi.
  3. Regressione ($L_{reg}$): Predice le componenti del quadrimomento ($p_T, \eta, \phi, E$). I target di regressione sono trasformati (rapporti logaritmici rispetto all'input primario) per migliorare la stabilità numerica, con un ulteriore pesamento dipendente da $p_T$ per enfatizzare le particelle ad alta energia.
• Integrazione: Il modello addestrato viene esportato nel formato Open Neural Network Exchange (ONNX) e integrato nel software offline di CMS tramite l'interfaccia ONNXRUNTIME. Ciò consente al modello di sostituire il modulo standard di ricostruzione PF lasciando invariati i moduli di tracking a monte e di clustering dei jet a valle.

Contributi Chiave

1. Prima Ricostruzione ML Validata sui Dati: Questo lavoro rappresenta la prima applicazione di una pipeline di ricostruzione dell'evento completo basata su ML validata su dati raccolti da un esperimento di collisione di adroni (CMS Run 3, 2023–2024).
2. Modello Transformer Unificato: L'introduzione di un'architettura basata su transformer che esegue una ricostruzione dell'evento completo apprendibile, generalizzando attraverso le condizioni del rivelatore e le energie di collisione senza fare affidamento su euristiche iterative.
3. Accelerazione GPU: Il successo del deployment dell'algoritmo su GPU, dimostrando che la ricostruzione complessa e globale dell'evento può essere spostata dalle CPU agli acceleratori, ottenendo incrementi significativi di velocità.
4. Validazione delle Prestazioni: Una valutazione completa che mostra come l'approccio ML raggiunga prestazioni fisiche comparabili, e in alcune metriche superiori, rispetto all'algoritmo PF standard.

Risultati
Le prestazioni dell'algoritmo MLPF sono state valutate utilizzando campioni simulati (eventi top quark-antiquark e QCD multijet) e un piccolo sottoinsieme di dati Run 3.

• Prestazioni Fisiche:
  • Risoluzione dell'Energia dei Jet: In eventi simulati di top quark-antiquark in condizioni di Run 3, la risoluzione dell'energia del jet è migliorata del 10–20% per jet con momento trasverso ($p_T$) tra 30–100 GeV rispetto al PF standard.
  • Identificazione delle Particelle (PID): MLPF ha ottenuto un'efficienza migliorata per gli adroni neutri mantenendo lo stesso tasso di misidentificazione del PF standard. Per gli adroni carichi e i fotoni, MLPF ha mostrato un'efficienza superiore con un tasso di misidentificazione leggermente più alto, che può essere sintonizzato.
  • Momento Trasverso Mancante ($p_T^{miss}$): Le distribuzioni del $p_T^{miss}$ ricostruito sono generalmente coerenti con il PF standard, sebbene MLPF abbia ricostruito uno spettro leggermente più duro nelle code.
  • Validazione sui Dati: Nei dati Run 3, l'asimmetria dei dijet e le distribuzioni del $p_T$ del jet principale ricostruite da MLPF sono risultate compatibili con quelle del PF standard, confermando la capacità del modello di produrre output fisici realistici.
• Prestazioni Computazionali:
  • Tempo di Inferenza: Su una GPU Nvidia L4, l'algoritmo MLPF ha raggiunto un tempo di inferenza mediano di 20 ms per evento, rispetto a circa 110 ms per la ricostruzione CMS PF standard eseguita su CPU.
  • Scalabilità: L'uso di FLASHATTENTION ha permesso di ottenere distribuzioni dei tempi di esecuzione stabili e strette anche per eventi complessi, con il supporto di 64 stream di inferenza paralleli su una singola GPU. L'algoritmo ha dimostrato una migliore scalabilità del tempo di esecuzione con l'aumentare della complessità dell'evento rispetto al PF iterativo standard.

Significatività
Il documento afferma che l'algoritmo MLPF dimostra con successo che il machine learning può sostituire la tradizionale ricostruzione particle-flow basata su euristiche con un modello unificato che offre prestazioni fisiche comparabili o migliorate e una scalabilità computazionale superiore. Il lavoro stabilisce le fondamenta per la futura ricostruzione degli eventi all'HL-LHC, dove l'aumento del pileup e la complessità del rivelatore richiederanno soluzioni efficienti e accelerate su GPU. Validando l'approccio su dati reali, gli autori dimostrano che la ricostruzione basata su ML non è solo un esercizio di simulazione, ma una via percorribile per l'analisi fisica a livello di produzione. Il documento sottolinea che, sebbene i risultati attuali siano limitati alle condizioni di Run 3, la metodologia fornisce una pipeline scalabile per l'aggiornamento ad alta luminosità e per i futuri acceleratori, abilitando potenzialmente la programmazione differenziabile per l'ottimizzazione del rivelatore.