Track and Vertex Reconstruction with the ATLAS Inner Detector

Dit artikel beschrijft in detail de algoritmen en softwareconfiguratie die worden gebruikt voor de reconstructie van geladen deeltjes en primaire vertices in de Inner Detector van ATLAS, en toont aan dat deze een hoge efficiëntie, resolutie en lage rates van verkeerde reconstructie vertonen wanneer ze worden toegepast op zowel Run 2- als vroege Run 3-data onder omstandigheden met hoge pile-up.

De kern

Stel je de ATLAS-detector bij CERN voor als een massieve, ultra-snelle camera die probeert een foto te maken van een chaotisch vuurwerkdisplay. Maar in plaats van vuurwerk observeert het miljarden kleine deeltjes die met bijna de lichtsnelheid op elkaar botsen. Het doel van dit artikel is uit te leggen hoe het ATLAS-team de best mogelijke "software-camera" heeft gebouwd om deze deeltjes te volgen en precies te bepalen waar ze vandaan kwamen.

Hieronder volgt een uiteenzetting van hoe ze dit doen, met behulp van eenvoudige analogieën.

De Uitdaging: Een Menigte van Vuurvliegjes

Het hoofdprobleem is drukte. Wanneer twee bundels protonen botsen, creëren ze niet slechts één paar deeltjes; ze veroorzaken een enorme explosie van puin.

• De "Pile-up": Stel je voor dat je probeert een enkel vuurvliegje te volgen in een veld waar duizenden andere vuurvliegjes op exact hetzelfde moment oplichten. In het verleden (Run 2) waren er ongeveer 34 botsingen per seconde. Nu (Run 3) zijn dat er meer dan 60.
• Het Doel: De software moet de "echte" sporen vinden (de paden van de deeltjes waar we om geven) zonder verward te raken door ruis of per ongeluk stukken van verschillende vuurvliegjes aan elkaar te naaien tot één nep-pad.

De Hardware: Een Gelaagde Uien

Om deze deeltjes te vangen, heeft de ATLAS-detector een "Inner Detector" (ID) die fungeert als een high-tech ui met drie hoofdlagen:

1. De Pixel-laag (De Kern): De binnenste laag, het dichtst bij het botsingspunt. Het is als een superfijn gaas dat de eerste paar stappen van een deeltje opvangt. Het is ongelooflijk precies, maar krijgt ook de zwaarste klappen.
2. De Strip-laag (Het Midden): Een laag van siliciumstrips die fungeert als een rooster, waardoor het pad wordt bevestigd.
3. De Straw-laag (De Buitenste Schil): De buitenste laag, gevuld met gasgevulde buizen (straws). Het is als een net dat de laatste stappen van het deeltje opvangt en helpt bij het meten van zijn impuls.

De Software: Hoe Ze De Sporen Vinden

Het artikel beschrijft een geavanceerd algoritme dat werkt als een detective die een mysterie oplost in een volle zaal.

1. De "Zaad" (Het Vinden van aanwijzingen)
De software begint met het zoeken naar "zaden". Stel je een detective voor die drie voetafdrukken vindt die lijken toe te behoren aan dezelfde persoon. De software zoekt naar groepen van drie hits (metingen) in de binnenste lagen die perfect op één lijn liggen. Als dat zo is, creëert het een "zaad" – een gok over waar een deeltje zich zou kunnen bevinden.

2. De "Patroonherkenning" (Het Volgen van het Spoor)
Zodra een zaad is gevonden, probeert de software het pad uit te breiden. Het gebruikt een Kalman-filter (denk hierbij aan een slimme GPS) om te voorspellen waar het deeltje als volgende zou moeten zijn en zoekt naar de volgende voetafdruk.

• De Uitdaging: In een volle zaal overlappen voetafdrukken. Soms lijkt een voetafdruk van Persoon A toe te behoren aan Persoon B.
• De Oplossing: De software creëert veel mogelijke paden (kandidaten) en gebruikt vervolgens een Ambiguity Solver. Dit is als een scheidsrechter in een sportwedstrijd. Het bekijkt alle concurrerende paden en beslist: "Oké, deze specifieke voetafdruk behoort bij het rode team, niet bij het blauwe team." Het prioriteert de meest waarschijnlijke paden en verwijdert de verwarrende.

3. De "Fitting" (Het Tekenen van de Lijn)
Zodra het pad is bevestigd, tekent de software een gladde lijn door de punten. Het gebruikt een Global $\chi^2$ Fitter (een wiskundig hulpmiddel) om de exacte kromme te berekenen. Omdat de deeltjes zich door een magnetisch veld bewegen, krommen ze. De software meet deze kromming om de snelheid en lading van het deeltje te bepalen.

• Speciaal Geval (Elektronen): Elektronen zijn lastig; ze hebben de neiging energie te verliezen en te zigzaggen (zoals een dronken persoon die loopt). De software gebruikt een speciale "Gaussian Sum Filter" om deze wankelende paden te hanteren, zodat het hen niet uit het oog verliest.

4. De "Langlevende" Jagers
De meeste deeltjes sterven direct in het centrum. Maar sommige "Langlevende Deeltjes" (LLP's) reizen iets verder voordat ze vervallen. De standaardsoftware zou ze misschien missen omdat het ervan uitgaat dat alles precies in het centrum begint. Het artikel beschrijft een speciale "Large-Radius Tracking"-modus die op zoek gaat naar sporen die verder naar buiten beginnen, zoals een detective die op zoek is naar voetafdrukken die 3 meter van het misdrijfsscene beginnen.

De Resultaten: Hoe Goed Werkt Het?

Het artikel test deze software op echte data uit 2015–2018 en wat nieuwere data uit 2022.

• Efficiëntie: De software is ongelooflijk goed in het vinden van echte deeltjes. Zelfs onder de meest drukke omstandigheden (60+ botsingen) vindt het meer dan 75% van de belangrijke deeltjes.
• Nauwkeurigheid: Het maakt zelden fouten. Het percentage "nep-sporen" (paden die eigenlijk niet bestaan) is zeer laag – minder dan 0,1% onder normale omstandigheden en slechts ongeveer 0,2% bij de meest extreme drukte.
• Snelheid: De software is snel genoeg om deze massale gebeurtenissen in real-time te verwerken. Het schaalt goed, wat betekent dat het niet te veel vertraagt, zelfs niet wanneer de menigte groter wordt.
• Vertex-bepaling: Het kan ook precies bepalen waar de botsing plaatsvond (de "vertex"). Zelfs wanneer er veel botsingen tegelijk plaatsvinden, kan het ze scheiden, zoals het sorteren van verschillende gekleurde marbles die in een hoop zijn gedropt.

De Conclusie

Dit artikel bevestigt dat het ATLAS-team zijn "digitale detective" heeft bijgewerkt om de drukste, meest overvolle omstandigheden aan te kunnen die de Large Hadron Collider ooit heeft gezien. Door slimme algoritmen te gebruiken om door de ruis te sorteren, zorgen ze ervoor dat fysici nog steeds de zeldzame, interessante deeltjes kunnen vinden die zich verstoppen in het chaos, wat de weg effent voor toekomstige ontdekkingen over het universum.

Technische samenvatting

Technische Samenvatting: Track- en Vertexreconstructie met de ATLAS Inner Detector

Probleemstelling
De reconstructie van geladen deeltjes is een fundamenteel element van de gebeurtenisreconstructie in het ATLAS-experiment bij de Large Hadron Collider (LHC). Het dient als een kritieke invoer voor de reconstructie van alle andere fysica-objecten (elektronen, muonen, jets, $\tau$-leptonen) en is essentieel voor zowel de offline analyse als de online gebeurtenisselectie via de High-Level Trigger. De primaire uitdaging die in dit artikel wordt aangepakt, is het behouden van hoge reconstructie-efficiëntie en zuiverheid in aanwezigheid van toenemend hoge pile-up-condities. Tijdens Run 2 (2015–2018) was het gemiddelde aantal gelijktijdige proton-proton-interacties per bunch-crossing ($\langle\mu\rangle$) ongeveer 34, terwijl Run 3 (2022–2026) opereert met $\langle\mu\rangle$-waarden die 60 overschrijden. Deze hoge dichtheden verhogen de combinatorische complexiteit van patroonherkenning aanzienlijk, wat de kans op spurious track-candidaten (fakes) vergroot en aanzienlijke CPU-bronnen vereist. Bovendien moet de Inner Detector (ID) tracks van langlevende deeltjes (LLP's) en in dichte omgevingen (high-$p_T$ jets) nauwkeurig reconstrueren, waar de deeltjescheiding de sensorgranulariteit benadert.

Methodologie
Het artikel beschrijft het algoritmische ontwerp en de prestaties van de offline track- en primaire vertexreconstructie met de meest recente softwareconfiguratie die is ingezet voor ATLAS-data-acquisitie. Deze configuratie is geoptimaliseerd voor Run 3 en toegepast op een volledige herverwerking van Run 2-data.

• Detectorsystemen: De reconstructie maakt gebruik van de ATLAS Inner Detector, bestaande uit de Insertable B-Layer (IBL) en Pixel-detector, de SemiConductor Tracker (SCT) en de Transition Radiation Tracker (TRT), allemaal ondergedompeld in een magnetisch veld van 2 T.
• Trackreconstructiestrategie: Het proces volgt een "inside-out" primaire volgorde:
  1. Ruimtepuntvorming: Clusters van Pixel- en SCT-detectoren worden gecombineerd tot 3D-ruimtepunten.
  2. Zaden (Seeding): Tripels van ruimtepunten vormen track-zaden (PPP of SSS). SSS-zaden worden eerst verwerkt om het longitudinale interactiegebied te beperken voor daaropvolgende PPP-zaden.
  3. Trackvinding: Een Combinatorial Kalman Filter (CKF) koppelt extra clusters aan zaden en propageert trajecten door het detectorvolume.
  4. Ambigüiteitsoplossing: Een speciale solver lost conflicten op waarbij clusters worden gedeeld tussen meerdere track-candidaten. Deze fase maakt gebruik van een scoresysteem en een neurale netwerk (NNNum) om samengevoegde Pixel-clusters (P1, P2, P3) in dichte omgevingen te identificeren, waardoor versoepelde delingsregels mogelijk zijn in specifieke Interestgebieden (RoI's) gedefinieerd door calorimeterdeposito's.
  5. Trackfitting: Een Global $\chi^2$ Fitter (GXF) voert een precisie-fit uit. Voor elektronen wordt een Gaussian Sum Filter (GSF) gebruikt om niet-Gaussische bremsstrahlung-energieverliezen te modelleren.
  6. Extensies: Tracks worden uitgebreid naar de TRT om de impulsresolutie te verbeteren. Een aparte "TRT-gezaaide" doorloop herstelt tracks van fotonconversies die siliciumlagen hebben gemist.
  7. Gespecialiseerde doorlopen: Een Large-Radius Tracking (LRT)-sequentie richt zich op verplaatste vertices van langlevende deeltjes, waarbij gebruik wordt gemaakt van versoepelde impactparameter-beperkingen maar strengere cluster-multipliciteitsvereisten om de combinatoriek te beheersen.
• Primaire vertexreconstructie: De Adaptive Multi-Vertex Finder (AMVF) vindt en past vertices iteratief aan. Het maakt gebruik van een Gaussische trackdichtheids-zadenvinder en een gewogen kleinste-kwadraten-minimalisatie die het mogelijk maakt dat vertices concurreren om tracks, wat effectief hoge pile-up aankan.
• Kwaliteit en associatie: Er worden twee Working Points (WPs) gedefinieerd: "Loose" (prioriteit aan efficiëntie) en "Tight Primary" (prioriteit aan zuiverheid). Een aparte Track-To-Vertex Association (TTVA)-procedure koppelt tracks aan vertices met behulp van impactparameter-significantie of fit-gewichten, met specifieke WPs voor prompte en niet-prompte tracks.

Belangrijkste bijdragen

• Geoptimaliseerde softwareconfiguratie: Het artikel beschrijft de specifieke softwareconfiguratie die voor Run 3 is gebruikt, inclusief vroege afwijzing van kandidaten van lage kwaliteit om CPU-gebruik te beheersen en de zuiverheid te handhaven.
• Omgaan met dichte omgevingen: De implementatie van het NNNum-neurale netwerk voor het classificeren van samengevoegde Pixel-clusters en de versoepeling van ambigüiteitsregels in high-energy calorimeter RoI's verbetert de tracking in high-$p_T$ jets aanzienlijk.
• Tracking van langlevende deeltjes: De integratie van de LRT-sequentie als een standaard, orthogonale track-doorloop maakt een efficiënte reconstructie van verplaatste tracks mogelijk zonder de primaire volgorde te compromitteren.
• Elektronreconstructie: Het gebruik van Mixture Density Networks (MDN's) voor het verfijnen van clusterposities en de GSF voor elektronfitting adresseert materiaaleffecten en niet-lineariteiten in energieverlies.
• Uitgebreide prestatievalidatie: Het artikel biedt een geconsolideerd prestatieoverzicht met zowel Run 2-data als Run 3-data (subset), naast uitgebreide Monte Carlo-simulaties die een breed scala aan pile-up-condities bestrijken ($\mu$ tot 80).

Resultaten

• Efficiëntie: De reconstructie behoudt hoge efficiëntie voor geladen deeltjes met $p_T > 500$ MeV. Voor het "Tight Primary" working point is de efficiëntie ongeveer 80% in het centrale gebied ($|\eta| < 1.5$) en blijft robuust tot $|\eta| = 2.5$. Het "Loose" working point biedt 5–10% hogere efficiëntie.
• Foutreconstructiepercentages: Het percentage fake tracks wordt laag gehouden. Voor typische Run 2-condities ($\mu \approx 30$) is het fake-percentage $\sim 0,9\%$ voor Loose en $\sim 0,07\%$ voor Tight Primary. Voor Run 3-condities ($\mu \approx 60$) stijgen deze percentages naar $\sim 6,5\%$ (Loose) en $\sim 0,16\%$ (Tight Primary).
• Resolutie: De impactparameterresoluties ($d_0$ en $z_0$) tonen uitstekende overeenkomst tussen data en simulatie. Bij hoge $p_T$ worden de resoluties gedomineerd door de intrinsieke detectorresolutie en uitlijning, terwijl bij lage $p_T$ meervoudige verstrooiing de beperkende factor is.
• Dichte omgevingen: In high-$p_T$ jets neemt de trackreconstructie-efficiëntie af door cluster-samenvoeging, maar bevestigen de datagedreven methoden (met gebruik van $dE/dx$) dat de simulatie deze effecten redelijk goed modelleert, met verschillen tot 25% in specifieke hoge-dichtheidsregimes. De extra bijdrage aan het fake-percentage in jet-kernen wordt geschat op 0,2–0,3% voor typische high-$p_T$ jets.
• Vertexreconstructie: De primaire vertexreconstructie bereikt bijna 100% efficiëntie voor het selecteren van de hard-scatter-vertex in $t\bar{t}$-gebeurtenissen. De longitudinale resolutie van de hard-scatter-vertex blijft stabiel, zelfs bij hoge pile-up-dichtheden.
• Berekeningsprestaties: De CPU-tijd per gebeurtenis schaalt stabiel tot $\mu = 60$. Daarboven wordt een superlineaire toename in verwerkingstijd waargenomen, wat de computationele uitdagingen voor toekomstige high-luminosity-operaties benadrukt.

Betekenis
Het artikel stelt dat de huidige ATLAS track- en vertexreconstructieconfiguratie succesvol hoge efficiëntie, goede resolutie en lage foutreconstructiepercentages handhaaft onder de veeleisende condities van Run 3. De ontwikkelde strategieën – met name de vroege afwijzing van kandidaten van lage kwaliteit, de gespecialiseerde behandeling van dichte omgevingen en langlevende deeltjes, en de robuuste ambigüiteitsoplossing – zorgen ervoor dat de reconstructie een zuivere collectie tracks levert voor downstream fysica-analyses. Deze ontwikkelingen worden niet gepresenteerd als een vervanging van eerder werk, maar als een geconsolideerd overzicht van de huidige state-of-the-art configuratie. Het artikel concludeert dat deze prestaties een solide fundament vormen voor de overgang naar de all-silicon Inner Tracker (ITk) voor het High-Luminosity LHC-tijdperk, waarbij pile-up-niveaus naar verwachting $\langle\mu\rangle \approx 140\text{--}200$ zullen bereiken. De ervaring opgedaan met de huidige ID-reconstructie informeert direct de migratie naar de ACTS-toolkit en de ontwikkeling van op machine learning gebaseerde trackingmethoden voor toekomstige operaties.