End-to-end event reconstruction for precision physics at future colliders

Dit artikel introduceert een end-to-end globale gebeurtenisreconstructiemethode voor toekomstige colliders, die op basis van deep learning de prestaties van bestaande algoritmen aanzienlijk verbetert en zo snellere iteraties tijdens het detectorontwerp mogelijk maakt.

De kern

Stel je voor dat je een enorme, drukke feestzaal binnenstapt (een deeltjesversneller zoals de toekomstige FCC-ee). Op dit feest gebeuren er duizenden dingen tegelijk: mensen rennen, ballonnen ontploffen, en er worden cadeautjes uitgedeeld. Je taak als "fysicus" is om precies te tellen wie er wat heeft gedaan, hoe zwaar die cadeautjes waren en waar ze naartoe vlogen. Dit is cruciaal om de geheimen van het universum te ontcijferen.

Het probleem? De kamer is zo vol dat alles door elkaar loopt. De oude manier om dit te doen, is als een team van inspecteurs dat stap-voor-stap werkt: eerst kijken ze naar de ballonnen die ontploffen, dan proberen ze te raden welke mensen bij welke ballonnen hoorden, en pas daarna proberen ze te bepalen wat voor cadeautje er in zat. Dit werkt goed, maar het is traag, star en als je de kamerindeling (de detector) een beetje verandert, moet je het hele team opnieuw trainen.

HitPf: De nieuwe, slimme aanpak

De auteurs van dit paper hebben een nieuwe methode bedacht, genaamd HitPf. In plaats van stap-voor-stap te werken, laten ze een super-slimme computer (een kunstmatige intelligentie) direct naar de chaos kijken en de hele situatie in één keer begrijpen.

Hier is hoe het werkt, vertaald in alledaagse termen:

1. De "Geometrische Algebra" als een 3D-puzzel

Stel je voor dat elke deeltje dat de detector raakt, een stukje van een enorme 3D-puzzel is. De oude methoden probeerden deze stukjes eerst in stapels te sorteren voordat ze keken wat het was. HitPf doet iets anders: het gebruikt een wiskundig trucje (geometrische algebra) dat de computer toestaat om de ruimte en de richting van de stukjes direct te begrijpen, alsof het een driedimensionale kaart tekent in plaats van een lijstje te maken. Het is alsof je niet kijkt naar losse puzzelstukjes, maar direct ziet welk stukje bij welk plaatje hoort, puur op basis van de vorm en de positie.

2. "Object Condensatie": De drukte op de dansvloer

In de feestzaal zitten er soms mensen die heel dicht bij elkaar staan (deeltjes die elkaar overlappen). De oude methode maakt hier vaak een fout: ze denken dat twee mensen die dicht bij elkaar dansen, eigenlijk één groot persoon zijn.
HitPf gebruikt een techniek die "object condensation" heet. Stel je voor dat elke deeltje een magneet is. De computer zorgt ervoor dat de stukjes die bij hetzelfde deeltje horen, elkaar aantrekken en samenkomen in een dichte groep (een condensatie), terwijl groepen van verschillende deeltjes elkaar afstoten.

• Het resultaat: Zelfs als twee deeltjes elkaar bijna raken, ziet de computer ze als twee aparte groepen. De oude methode zou ze vaak samenvoegen tot één groot, onnauwkeurig geheel.

3. De "Eindfase": Wie is wie?

Zodra de computer de groepen heeft gevormd, kijkt hij naar de eigenschappen van die groepen. Is het een zware, langzame persoon (een neutron)? Of een snelle, lichte persoon (een foton)? De computer doet dit in een oogwenk en geeft elk deeltje een label en een gewicht.

Waarom is dit zo geweldig?

• Snelheid en flexibiliteit: Als je de detector (de feestzaal) een beetje verandert (bijvoorbeeld de muren iets anders plaatst), hoef je de oude inspecteurs niet opnieuw te trainen. Je geeft HitPf gewoon een nieuwe foto van de kamer, en na een paar uur (op krachtige computers) is het systeem weer klaar om te werken. Het is alsof je een GPS hebt die zich direct aanpast aan nieuwe wegen, in plaats van dat je een nieuwe papieren kaart moet kopen.
• Minder fouten: De oude methode maakte vaak de fout dat ze "spookdeeltjes" zagen (dingen die er niet waren) of echte deeltjes misten. HitPf maakt 10 tot 20 keer minder fouten bij het tellen van deeltjes.
• Precieze metingen: Doordat HitPf de deeltjes scherper scheidt, weten de wetenschappers veel nauwkeuriger hoeveel energie er vrijkwam. Dit is als het verschil tussen een wazige foto en een 8K-foto. Voor het meten van de Higgs-deeltjes (de "goddeeltjes") is deze scherpte levensbelangrijk.

Conclusie
Kortom: HitPf is als het vervangen van een team van inspecteurs dat handmatig en stap-voor-stap werkt, door een slimme drone die direct de hele chaos overziet, de groepen herkent en de deeltjes identificeert zonder te struikelen over de chaos. Het maakt de toekomstige deeltjesversnellers veel slimmer, sneller en nauwkeuriger, zodat we de geheimen van het universum beter kunnen ontrafelen.

Technische samenvatting

Hier is een gedetailleerde technische samenvatting van het artikel "End-to-end event reconstruction for precision physics at future colliders" in het Nederlands.

Titel: End-to-end gebeurtenisreconstructie voor precisiefysica bij toekomstige colliders

Auteurs: Dolores Garcia, Lena Herrmann, Gregor Krzmanc en Michele Selvaggi (CERN en Stanford University).

---

1. Het Probleem

Toekomstige collider-experimenten, zoals de Future Circular Collider (FCC-ee) bij CERN, vereisen ongekende precisie bij het meten van Higgs-koppelingen, elektroweak parameters en smaakobservabelen. De bereikbare precisie hangt rechtstreeks af van de resolutie waarmee zichtbare eindtoestandsdeeltjes en hun invariante massa's kunnen worden gereconstrueerd.

Huidige Particle Flow (PF) algoritmen (zoals de huidige standaard PandoraPfa) werken volgens een traditionele, handmatig getunde aanpak:

1. Iteratieve clustering van calorimeterhits.
2. Associatie van tracks met deze clusters.
3. Identificatie van neutrale deeltjes.

Beperkingen van huidige methoden:

• Detector-specifieke tuning: Deze algoritmen vereisen uitgebreide optimalisatie voor elke specifieke detectorgeometrie. Bij ontwerpveranderingen moet het proces opnieuw worden uitgevoerd, wat veel expertise en tijd kost.
• Moeilijkheden in dichte omgevingen: Bij hadronische eindtoestanden met hoge multipliciteit en geometrische overlapping (zoals bij $H \to c\bar{c}$ of $H \to s\bar{s}$) falen traditionele methoden vaak. Ze neigen ernaar om nabijgelegen showers te samenvoegen (wat leidt tot verkeerde energie-schattingen) of te splitsen (wat leidt tot "fake" deeltjes).
• Afhankelijkheid van tussenstappen: Bestaande ML-aanpakken gebruiken vaak vooraf geclusterde inputs, wat de flexibiliteit beperkt en de globale event-reconstructie niet volledig optimaliseert.

---

2. Methodologie: HitPf

De auteurs introduceren HitPf, een end-to-end globale reconstructieaanpak die directe mapping uitvoert van ruwe detectorinformatie (tracks en calorimeter/muon-hits) naar deeltjesniveau-objecten, zonder tussenstappen van handmatige clustering.

Kernarchitectuur:
Het proces bestaat uit twee hoofdfasen:

• Fase 1: Clustering van hits (Object Condensation)

  • Input: Ruwe hits van ECAL, HCAL, muonsystemen en geladen deeltjestracks.
  • Geometrische Algebra Transformer (GATr): De hits worden gecodeerd in een learnable latente ruimte met behulp van projectieve geometrische algebra ($G_{3,0,1}$). Dit biedt een sterke inductieve bias voor ruimtelijke data (afstanden, hoeken, oppervlakken) in plaats van alleen scalair features te gebruiken.
  • Object Condensation: Het netwerk wordt getraind om hits van hetzelfde deeltje dicht bij elkaar te clusteren in de latente ruimte, terwijl hits van verschillende deeltjes worden gescheiden.
  • Density Peak Clustering (DPC): Uit de latente ruimte worden kandidaat-deeltjes geëxtraheerd. DPC identificeert clustercentra als punten met zowel hoge lokale dichtheid ($\rho$) als een grote afstand ($\delta$) tot punten met hogere dichtheid. Dit mechanisme onderdrukt effectief "fake" deeltjes die ontstaan door te veel splitsing of geïsoleerde energie-deposities.

• Fase 2: Eigenschapsregressie en Identificatie

  • Voor elke geclusterde kandidaat worden aparte netwerken gebruikt voor:
    1. Deeltjesidentificatie (PID): Classificatie in vijf categorieën: geladen hadron, foton, neutraal hadron, elektron, muon.
    2. Energie-regressie: Voorspelling van de energie.
  • Input voor regressie: Een combinatie van de geometrische embedding van de cluster en samengevoegde statistische features (bijv. fractie energie in ECAL/HCAL, aantal hits, track-momentum).
  • Training: De clustering en regressie worden gescheiden getraind. Clustering op complexe $Z \to q\bar{q}$-data, regressie op een gebalanceerde "gun"-dataset (isoleerde deeltjes).

---

3. Belangrijkste Bijdragen

• End-to-End Learning: HitPf omzeilt handmatige tussenstappen en leert de volledige reconstructie direct uit ruwe detectordata.
• Detector-onafhankelijkheid: Het algoritme is niet afhankelijk van detector-specifieke heuristieken. Het kan worden hergetraind voor een nieuwe detectorgeometrie in ongeveer 48 uur (op 4 NVIDIA H100 GPU's), wat snelle iteraties tijdens het detectorontwerp mogelijk maakt.
• Geometrische Algebra: Toepassing van GATr voor het verwerken van detectorhits, wat een natuurlijke representatie biedt voor de ruimtelijke relaties in een deeltjesdetector.
• Robuuste Clustering: Gebruik van Density Peak Clustering in combinatie met object condensation om de rate van nep-deeltjes drastisch te verlagen.

---

4. Resultaten

Het algoritme is getest op volledig gesimuleerde $e^+e^-$-botsingen bij $\sqrt{s} = 91$ GeV (Z-pool) in het CLD-detectorconcept voor FCC-ee, vergeleken met de state-of-the-art PandoraPfa.

• Reconstructie-efficiëntie: HitPf presteert 10–20% beter in relatieve reconstructie-efficiëntie, vooral voor geladen hadronen in het energiebereik van 1–10 GeV.
• Fake-rate: Er is een reductie van twee orde van grootte (factor 100) in de rate van nep-deeltjes voor geladen hadronen.
• Resolutie:
  • De resolutie op zichtbare energie en invariante massa verbetert met 22% ten opzichte van PandoraPfa.
  • Voor fotonen en neutrale hadronen is de energie-resolutie significant beter, vooral boven de 10 GeV, omdat HitPf dicht bij elkaar liggende showers effectiever ontrafelt dan de traditionele methode (die deze vaak samenvoegt).
• Confusiematrices: HitPf toont minder verwarring tussen deeltjestypes (bijv. minder verwarring tussen elektronen en fotonen) en een hogere algehele correcte identificatie.

Voorbeeld uit de paper: In een geval waar vier nabijgelegen fotonen deels overlappen, slaagt HitPf erin deze als vier aparte deeltjes te reconstrueren, terwijl PandoraPfa ze samenvoegt tot één cluster met een verkeerde, te hoge energie (35 GeV in plaats van de som van de individuele energieën).

---

5. Betekenis en Toekomstperspectief

Deze studie markeert een verschuiving in de aanpak van deeltjesreconstructie voor toekomstige colliders:

• Versnelling van het ontwerp: Door de prestaties te ontkoppelen van detector-specifieke tuning, kunnen fysici en ingenieurs verschillende detectorconcepten voor FCC-ee (en andere projecten zoals CEPC of ILC) sneller en consistenter vergelijken.
• Scalabiliteit: Het framework is schaalbaar en kan worden uitgebreid naar hadroncolliders (zoals de HL-LHC), hoewel daar extra uitdagingen zoals pile-up nog moeten worden aangepakt.
• Open Source: De code, modellen en datasets zijn openbaar beschikbaar gesteld, wat de adoptie en verdere ontwikkeling in de gemeenschap faciliteert.

Concluderend biedt HitPf een krachtig, flexibel en nauwkeurig alternatief voor traditionele PF-algoritmen, essentieel voor het bereiken van de extreme precisie die nodig is voor de volgende generatie deeltjesfysica-experimenten.