Orateur
Description
Les méthodes basées sur des réseaux de neurones sur graphes (Graph Neural Networks, GNN) ont récemment été développées et utilisées avec succès pour la reconstruction de traces de particules dans le détecteur ATLAS [1, 2, 3].
Elles ont démontré une vitesse de reconstruction compatible avec les contraintes opérationnelles du HL-LHC et avec la très grande quantité de données supplémentaires qui sera enregistrée par ITk, le futur détecteur interne d'ATLAS, alors que les algorithmes de reconstruction actuels ne seront pas suffisamment rapides pour traiter ces données.
Pour chaque événement de collision, la première étape consiste à construire un graphe dont les nœuds sont les traces (hits) laissées par les particules dans le détecteur et les arêtes les connexions possibles entre ces hits, en s'appuyant sur la géométrie du détecteur et sur une Module Map. Cette étape a été accélérée grâce à une implémentation massivement parallélisée sur GPU [4, 5].
Dans la deuxième étape, un GNN attribue à chaque arête du graphe un score, qui est une pseudo-probabilité que cette arête corresponde à un segment de trace. La dernière étape consiste à segmenter le graphe en éliminant les arêtes dont le score est inférieur à un certain seuil, puis à relier les hits restants pour reconstruire les candidats traces. Cette étape était jusqu'à présent effectuée sur CPU par un algorithme séquentiel de parcours de graphe et constituait un goulot d'étranglement en termes de temps de calcul, car elle était trop lente par rapport aux autres parties de la chaîne.
Plusieurs tentatives de parallélisation sur GPU ont alors vu le jour. L'une d'elles, Edge Layer Connector, reconstruit les traces en éliminant d'abord les segments ayant les plus mauvais scores, ce qui réduit fortement la taille du graphe, puis classe les segments par couches. Enfin, pour lever les ambiguïtés entre les chemins d'une couche à une autre, une double passe est effectuée, de l'extérieur du détecteur vers l'intérieur puis dans le sens inverse, en se basant sur le produit des scores donnés par le GNN, pondéré par la longueur de la chaîne. Les traces obtenues sont comparées à celles de l'algorithme séquentiel de référence tournant sur CPU.
Les temps de calcul obtenus sont du même ordre de grandeur que ceux des autres parties de la chaîne, ce qui permet d'envisager une reconstruction de traces viable pour le traitement des données du HL-LHC.
(1) Towards a realistic track reconstruction algorithm based on graph neural networks for the HL-LHC, Catherine Biscarat, Sylvain Caillou, Charline Rougier, Jan Stark and Jad Zahreddine, EPJ Web Conf., Volume 251, 2021, 25th International Conference on Computing in High Energy and Nuclear Physics (CHEP 2021)
(2) Novel fully-heterogeneous GNN designs for track reconstruction at the HL-LHC, Sylvain Caillou*, Christophe Collard, Charline Rougier, Jan Stark, Heberth Torres and Alexis Vallier, EPJ Web of Conf., Volume 295, 2024, 26th International Conference on Computing in High Energy and Nuclear Physics (CHEP 2023)
(3) Expected physics and computing performance of the ATLAS ITk GNN-based Track Reconstruction Chain, https://indico.cern.ch/event/1499357/contributions/6621928/
(4) Nouvelles approches pour la construction efficace de graphes pour l’utilisation des Graph Neural Networks au HL-LHC sur architectures CPU et GPU, https://indico.in2p3.fr/event/31391/contributions/142485/
(5) Module Map Graph library, https://doi.org/10.5281/zenodo.20154897