PyTorchKR Papers

최신 논문

총 1편
태그·기간 등 상세 필터

카테고리 탐색

로그인 후 이 태그 구독

arXiv:2606.20437v1hep-ex

HEPTv2: 대전 입자 재구성을 위한 엔드-투-엔드 효율적 포인트 트랜스포머

HEPTv2: End-to-End Efficient Point Transformer for Charged Particle Reconstruction

대전 입자 추적(tracking) -- 희소한 검출기 측정값으로부터 궤적을 재구성하는 것 -- 은 기본적인 고에너지 물리학 추론(inference) 문제이자 극단적인 조합적 모호성(combinatorial ambiguity) 하에서의 학습을 위한 전형적인 예시입니다. 고휘도 대형 하드론 충돌기(HL-LHC)에서는 전례 없는 충돌 밀도에도 불구하고 추적(tracking)이 정확하고 효율적으로 유지되어야 합니다. 그래프 신경망(GNN)은 강력한 성능을 보이지만 그래프 구성 및 처리에 따른 상당한 비용이 발생하며, 트랜스포머(transformer) 기반 접근 방식은 엔드-투-엔드 최적화를 방해하는 보조 단계에 의존합니다. 이를 해결하기 위해, 우리는 검출기 히트(hits)로부터 트랙을 하나의 학습 가능한 파이프라인에서 재구성하는 엔드-투-엔드 포인트 트랜스포머(transformer) 아키텍처인 HEPTv2를 제시합니다. HEPTv2는 그래프 빌딩, 클러스터링, 또는 필터링 없이 완전한 궤적을 예측하는 트랙 디코더와 지역성 인식 포인트 인코더를 결합합니다. 인코더는 효율적인 로컬 어텐션(attention)을 가능하게 하면서 추적(tracking) 관련 기하학을 보존하기 위해 검출기 좌표 공간에서 지역성 민감 해싱(LSH)을 사용합니다. 디코더는 결합된 인코더-디코더 감독 하에서 섹터화된 디코딩과 직접적인 히트-투-트랙(hit-to-track) 예측을 통해 모호성을 해결하여, 전체 파이프라인이 엔드-투-엔드로 최적화될 수 있도록 합니다. TrackML 데이터셋에서 HEPTv2는 0.8%의 가짜 비율(fake rate)에서 98.6%의 이중 과반수 추적 효율을 달성했으며, NVIDIA A100 GPU에서 이벤트당 약 15ms의 추론(inference) 시간과 0.4GB의 피크 메모리만을 필요로 합니다. 최대 $5\times10^5$ 개의 히트(hits)를 포함하는 이벤트의 경우 지연 시간과 메모리 사용량은 거의 선형적으로 증가합니다. HEPTv2는 정확도-지연 시간 트레이드오프(trade-off)에서 새로운 최첨단(SOTA)을 확립했으며, 가장 강력한 기존 트랜스포머(transformer) 대비 효율성을 4.5%, 최적화된 그래프 기반 파이프라인 대비 1.1--2.2% 향상시키는 동시에 지연 시간을 각각 7배, 38--52배 단축했습니다. 이러한 결과는 엔드-투-엔드 트랜스포머(transformer)가 HL-LHC에서 실시간 입자 재구성에 필요한 정확도와 효율성을 제공할 수 있음을 보여줍니다.