Clusterización con redes neuronales para el cómputo en línea del TPC de ALICE

La Cámara de Proyección en Tiempo (TPC) de ALICE es el detector con la tasa de datos más alta del experimento ALICE en el CERN y es el detector central para el rastreo e identificación de partículas. El cómputo en línea eficiente, como la clusterización y el rastreo, se realizan principalmente en GPUs con rendimientos de aproximadamente 900 GB/s. La clusterización, en particular, cuenta con una base bien establecida, con una variedad de algoritmos dentro del campo del aprendizaje automático. Este trabajo investiga un enfoque basado en redes neuronales para la regresión y rechazo de clústeres con base topológica. El centro de su tarea es la estimación del centro de gravedad, sigma y carga total, así como el rechazo de clústeres en la lectura del TPC. Adicionalmente, se realiza una estimación del vector momento a partir de la entrada 3D a través de las filas de lectura en combinación con las trayectorias reconstruidas, que puede beneficiar la siembra de trayectorias. Se presentan estudios de desempeño sobre la velocidad de inferencia, arquitecturas del modelo y desempeño físico en datos de Monte Carlo, mostrando que el desempeño en rastreo se puede mantener mientras se rechaza entre el 5 y 10% de los clústeres brutos con una tasa de falsos clústeres reducida en aproximadamente un 30% comparado con el clusterizador GPU actual.