Development of efficient muon trigger system for long-lived particles in the ATLAS experiment

LHC-ATLAS実験における陽子陽子衝突で発生するミュー粒子をミュー粒子トリガー検出器を用いて通過位置を検出し，その情報を用いて事象選択を行うトリガーアルゴリズムの開発を行う。従来のトリガーアルゴリズムでは選択することができない事象，特に，標準模型を超える物理に現れる，陽子陽子衝突点から離れた位置で崩壊する長寿命粒子が発生した事象を，その離れた崩壊点で発生するミュー粒子を検出できるようにすることで，事象選択のトリガー効率の向上を目的としている。従来のアルゴリズムでは，衝突点由来の粒子と長寿命由来の粒子を使ってトリガーするには，計算機資源（リソース）が大きくなる欠点があるが，機械学習を用いると，それらの事象の両方を一つの機械学習で取り扱うことができるようになり，限られた計算機資源で高効率の事象選択トリガーが実現できる可能性がある。今年度は，Convolutional Neural NetworkとGraph Neural networkを用いた機械学習モデルを作成し，FPGAに導入した場合のリソース使用量とトリガー効率の関係をを調べた。トリガー効率を上げるためにはリソースの使用量が多くなり，機械学習モデルがFPGAに載らなくなる可能性がある。そのため，FPGAによるプログラマブルロジック(PL)だけでなく，プロセッシングユニット(PU)を用いて，入力データを前処理することにより，PLのリソース使用量の削減を試みた。前処理としてカルマンフィルタを試しており，現状ではPUでは行わず，外部の計算機で同様の処理を行っている。この手法により，PLのリソース使用量を減らしても，機械学習モデルを全てPLに載せた場合と同等の性能を得られる可能性があることがわかった。

LHC-ATLAS実験における陽子陽子衝突で発生するミュー粒子をミュー粒子トリガー検出器を用いて通過位置を検出し，その情報を用いて事象選択を行うトリガーアルゴリズムの開発を行う。従来のトリガーアルゴリズムでは選択することができない事象，特に，標準模型を超える物理に現れる，陽子陽子衝突点から離れた位置で崩壊する長寿命粒子が発生した事象を，その離れた崩壊点で発生するミュー粒子を検出できるようにすることで，事象選択のトリガー効率の向上を目的としている。従来のアルゴリズムでは，衝突点由来の粒子と長寿命由来の粒子を使ってトリガーするには，計算機資源（リソース）が大きくなる欠点があるが，機械学習を用いると，それらの事象の両方を一つの機械学習で取り扱うことができるようになり，限られた計算機資源で高効率の事象選択トリガーが実現できる可能性がある。今年度は，Convolutional Neural NetworkとGraph Neural networkを用いた機械学習モデルを作成し，FPGAに導入した場合のリソース使用量とトリガー効率の関係をを調べた。トリガー効率を上げるためにはリソースの使用量が多くなり，機械学習モデルがFPGAに載らなくなる可能性がある。そのため，FPGAによるプログラマブルロジック(PL)だけでなく，プロセッシングユニット(PU)を用いて，入力データを前処理することにより，PLのリソース使用量の削減を試みた。前処理としてカルマンフィルタを試しており，現状ではPUでは行わず，外部の計算機で同様の処理を行っている。この手法により，PLのリソース使用量を減らしても，機械学習モデルを全てPLに載せた場合と同等の性能を得られる可能性があることがわかった。