Реконструкция события в детекторе частиц¶

Реконструкция события в детекторе частиц — это совокупность вычислительных методов и алгоритмов, преобразующих сырые электрические сигналы (цифровые отсчёты) с детекторных элементов в физически интерпретируемое описание взаимодействия: набор треков заряженных частиц, координаты вершин, энергии и типы частиц. Реконструкция является промежуточным этапом между сбором данных и физическим анализом в экспериментах на ускорителях (БАК, Тэватрон), в нейтринных обсерваториях и в экспериментах по физике космических лучей.

¶Цели и задачи

Основная цель реконструкции — восстановить кинематику и идентичность частиц, родившихся в столкновении, по данным о срабатывании детекторных слоёв. Задачи включают:

• Подавление шума — отсев сигналов, не связанных с событием (тепловой шум электроники, радиоактивный фон, космические мюоны).
• Кластеризация — объединение соседних срабатываний в кластеры, соответствующие попаданию одной частицы.
• Построение треков — аппроксимация траекторий заряженных частиц в магнитном поле по точкам попадания.
• Калибровка энергии — перевод амплитуд сигналов в калориметрах в значения энергии.
• Идентификация частиц — определение типа частицы (электрон, мюон, пион, протон) по комбинации сигналов от разных подсистем.

¶Основные этапы

¶Кластеризация и хиты

В кремниевых пиксельных и полосовых детекторах, дрейфовых камерах и сцинтилляционных счетчиках попадание частицы формирует группу соседних каналов, сработавших за короткий временной интервал. Алгоритмы кластеризации (например, DBSCAN или метод связных компонент) объединяют эти каналы в кластер, для которого вычисляются координата (с учётом амплитудных весов) и время. Точность определения координаты может достигать долей микрона в пиксельных детекторах.

¶Трекинг

Построение треков выполняется в несколько проходов. На первом этапе применяются локальные методы (например, преобразование Хафа или метод «выращивания дорожек» — road finding), которые находят начальные сегменты треков. Затем используется глобальная подгонка методом наименьших квадратов или фильтром Калмана. Фильтр Калмана позволяет последовательно обновлять параметры трека при добавлении каждого нового хита, учитывая рассеяние в веществе и потери энергии. В результате получаются параметры трека: импульс, направление, точка наибольшего сближения с осью пучка.

¶Вершинный анализ

После нахождения треков определяются вершины взаимодействия. Первичная вершина — точка столкновения пучков; вторичные вершины указывают на распады короткоживущих частиц (например, B-мезонов). Алгоритмы (например, adaptive vertex fitter) итеративно группируют треки, исходящие из общей точки, и минимизируют сумму взвешенных расстояний до неё. Разделение первичных и вторичных вершин критически важно для изучения CP-нарушения и редких распадов.

¶Калориметрия

В электромагнитных и адронных калориметрах частица порождает ливень, энергия которого пропорциональна сумме амплитуд сигналов в кластере. Для восстановления энергии применяются алгоритмы топологической кластеризации (например, topological clustering в ATLAS), затем — калибровочные коэффициенты, полученные из контрольных процессов (Z→ee, Z→μμ). Разрешение калориметра обычно описывается формулой σ(E)/E = a/√E ⊕ b, где a — стохастический член, b — постоянный член.

¶Идентификация частиц

Идентификация опирается на комбинацию независимых признаков:

• Ионизационные потери (dE/dx) в трекинговой системе — позволяют отделить лёгкие частицы от тяжёлых при импульсах до ~1 ГэВ/с.
• Черенковское излучение — порог и угол излучения определяют скорость и массу частицы (кольца в RICH-детекторах).
• Время пролёта (TOF) — измерение времени между вершиной и сцинтилляционным счётчиком даёт оценку скорости.
• Глубина проникновения — мюоны проходят сквозь адронный калориметр и регистрируются мюонными камерами; адроны в основном поглощаются.

Для объединения признаков используются методы многомерного анализа: нейронные сети, бустинг (XGBoost, BDT) или вероятностные классификаторы на основе функций правдоподобия.

¶Программное обеспечение

Реконструкция выполняется в рамках офлайн-фреймворков, таких как:

• CMSSW (CMS, CERN) — модульная система, поддерживающая параллельную обработку событий.
• Athena (ATLAS, CERN) — фреймворк на C++ и Python.
• FairRoot / FairShip — для экспериментов FAIR (GSI, Дармштадт).
• GAUDI — базовый фреймворк для LHCb и других экспериментов.

Вычисления выполняются на грид-инфраструктурах (WLCG) с использованием тысяч ядер; для ускорения применяются GPU и FPGA.

¶Оценка качества и ограничения

Качество реконструкции характеризуется эффективностью (доля истинных частиц, восстановленных алгоритмом) и чистотой (доля ложных треков). Ограничения связаны с:

• Мёртвыми зонами детектора и нечувствительными каналами.
• Наложением событий (pile-up) на БАК при высокой светимости — до 60 взаимодействий за одно пересечение сгустков.
• Модельными допущениями (например, о форме магнитного поля), которые вносят систематические погрешности.

Для подавления ложных треков применяются критерии качества (χ²/ndf, число хитов на трек, расстояние наибольшего сближения к пучку), а также машинное обучение для ранжирования кандидатов.

¶Применение в анализе данных

Результаты реконструкции — так называемые «объекты высокого уровня» (электроны, мюоны, джеты, недостающая поперечная энергия) — являются входными данными для физического анализа: поиска новых частиц, измерения сечений, изучения свойств бозона Хиггса, CP-нарушения и асимметрии материи и антиматерии. Погрешности реконструкции напрямую влияют на точность измерений, поэтому алгоритмы постоянно совершенствуются, в том числе с применением методов глубокого обучения (графовые нейронные сети для трекинга, свёрточные сети для калориметров).

¶Источники

• ATLAS Collaboration. «The ATLAS Experiment at the CERN Large Hadron Collider». JINST 3 (2008) S08003.
• CMS Collaboration. «The CMS Experiment at the CERN LHC». JINST 3 (2008) S08004.
• R. Fruhwirth. «Application of Kalman filtering to track and vertex fitting». Nucl. Instrum. Meth. A 262 (1987) 444–450.
• C. Gruppen, B. Shwartz. «Particle Detectors». Cambridge University Press, 2008.