Neuronale Netzwerk-Clusterbildung für das ALICE TPC Online-Computing

Die ALICE Time Projection Chamber (TPC) ist der Detektor mit der höchsten Datenrate des ALICE-Experiments am CERN und der zentrale Detektor für Tracking und Teilchenidentifikation. Effizientes Online-Computing wie Clusterbildung und Tracking wird hauptsächlich auf GPUs mit Durchsatzraten von etwa 900 GB/s durchgeführt. Besonders die Clusterbildung hat eine gut etablierte Basis mit einer Vielzahl von Algorithmen im Bereich des maschinellen Lernens. Diese Arbeit untersucht einen neuronalen Netzwerkansatz zur Clusterverwerfung und Regression auf topologischer Basis. Im Zentrum der Aufgabe stehen die Schätzung des Schwerpunkts, der Sigma-Werte und der Gesamtladung sowie die Verwerfung von Clustern im TPC-Ausleseprozess. Zusätzlich wird eine Impulsvektorschätzung aus den 3D-Eingabedaten über Auslesereihen in Kombination mit rekonstruierten Spuren durchgeführt, was die Spurenseeding verbessern kann. Leistungsstudien zur Inferenzgeschwindigkeit sowie Architektur des Modells und physikalische Performance auf Monte-Carlo-Daten werden vorgestellt, wobei gezeigt wird, dass die Tracking-Leistung erhalten bleiben kann, während 5–10 % der Rohcluster verworfen werden und die Rate von falschen Clustern um etwa 30 % gegenüber dem aktuellen GPU-Clusterizer reduziert wird.