Track reconstruction using graph neural networks

Abstract

After more than a decade of data-taking of the experiments at the Large Hadron Collider at CERN, no evidence of New Physics has been found. A new accelerator, the High-Luminosity Large Hadron Collider is currently under construction, increasing the instantaneous luminosity by one order of magnitud. The new accelerator conditions generate a challenging environment for the detectors at the LHC. One of the most important difficulties that the CMS experiment will find is the extremely large hit occupancy in the tracker and the huge combinatorial problem associated to the track reconstruction. This is even more difficult for displaced topologies emerging from potential new, long-lived particles, where the traditional seeding methods cannot be used. This work explores the use of Graph Neural Networks as an alternative procedure to identify tracks in a detector. A simple track generator has been developed together with a simplified model of the CMS tracker, and the resulting tracks and hits are reconstructed using a dedicated GNN algorithm trained with a number of example tracks. The performance of the algorithm is tested to be higher than 80% even for 500 simultaneous tracks.

Después de más de una década de toma de datos, los experimentos del Gran Colisionador de Hadrones en el CERN, no han encontrado evidencia de Nueva Física. Un nuevo acelerador, el Gran Colisionador de Hadrones de Alta Luminosidad está siendo construido actualmente, aumentando la luminosidad instantánea por un order de magnitud. Las nuevas condiciones del acelerador generan un entorno complejo para los detectores del LHC. Una de las dificultades más importantes que el experimento CMS va a encontrar, es la alta ocupancia de hits en el tracker y el consecuente problema combinatorial asociado a la reconstrucción de trazas. Esto es aún más acuciante para el caso de topologías desplazadas que puedan emerger de nuevas partículas con alto tiempo de vida. Este trabajo explora el uso de Redes Neuronales de tipo Grafo como un procedimiento alternativo para identificar las trazas del detector. Un generador de trazas sencillo junto con un modelo simplificado del tracker the CMS ha sido desarrollado, y los hits resultantes han sido reconstruidos utilizando un algoritmo GNN entrenado con un número de trazas de ejemplo. El desempeño del algoritmo ha resultado ser mejor que el 80% incluso para un caso con 500 trazas simultáneas.