8 research outputs found
The SMARTHEP European Training Network
No full textSynergies between MAchine learning, Real-Time analysis and Hybrid architectures for efficient Event Processing and decision-making (SMARTHEP) is a European Training Network, training a new generation of Early Stage Researchers (ESRs) to advance real-time decision-making, driving data-collection and analysis towards synonymity.
SMARTHEP brings together scientists from major LHC collaborations at the frontiers of real-time analysis (RTA) and key specialists from computer science and industry. By solving concrete problems as a community, SMARTHEP will further the adoption of RTA techniques, enabling future High Energy Physics (HEP) discoveries and generating impact in industry.
ESRs will contribute to European growth, leveraging their hands-on experience in machine learning and accelerators towards commercial deliverables in fields that can profit most from RTA, e.g., transport, manufacturing, and finance.
This contribution presents the training and outreach plan for the network, and is intended as an opportunity for further collaboration and feedback from the CHEP community
The SMARTHEP European Training Network
No full textSynergies between MAchine learning, Real-Time analysis and Hybrid architectures for efficient Event Processing and decision-making (SMARTHEP) is a European Training Network, training a new generation of Early Stage Researchers (ESRs) to advance real-time decision-making, driving data-collection and analysis towards synonymity.
SMARTHEP brings together scientists from major LHC collaborations at the frontiers of real-time analysis (RTA) and key specialists from computer science and industry. By solving concrete problems as a community, SMARTHEP will further the adoption of RTA techniques, enabling future High Energy Physics (HEP) discoveries and generating impact in industry.
ESRs will contribute to European growth, leveraging their hands-on experience in machine learning and accelerators towards commercial deliverables in fields that can profit most from RTA, e.g., transport, manufacturing, and finance.
This contribution presents the training and outreach plan for the network, and is intended as an opportunity for further collaboration and feedback from the CHEP community
Summary of the trigger systems of the Large Hadron Collider experiments ALICE, ATLAS, CMS and LHCb
No full textInternational audienceIn modern high energy physics (HEP) experiments, triggers perform the important task of selecting, in real time, the data to be recorded and saved for physics analyses. As a result, trigger strategies play a key role in extracting relevant information from the vast streams of data produced at facilities like the large hadron collider (LHC). As the energy and luminosity of the collisions increase, these strategies must be upgraded and maintained to suit the experimental needs. This whitepaper presents a high-level overview and reviews recent developments of triggering practices employed at the LHC. The general trigger principles applied at modern HEP experiments are highlighted, with specific reference to the current trigger state-of-the-art within the ALICE, ATLAS, CMS and LHCb collaborations. Furthermore, a brief synopsis of the new trigger paradigm required by the upcoming high-luminosity upgrade of the LHC is provided. This whitepaper, compiled by Early Stage Researchers of the SMARTHEP network, is not meant to provide an exhaustive review or substitute documentation and papers from the collaborations themselves, but rather offer general considerations and examples from the literature that are relevant to the SMARTHEP network
Summary of the trigger systems of the Large Hadron Collider experiments ALICE, ATLAS, CMS and LHCb
No full textIn modern High Energy Physics (HEP) experiments, triggers perform the
important task of selecting, in real time, the data to be recorded and saved
for physics analyses. As a result, trigger strategies play a key role in
extracting relevant information from the vast streams of data produced at
facilities like the Large Hadron Collider (LHC). As the energy and luminosity
of the collisions increase, these strategies must be upgraded and maintained to
suit the experimental needs. This whitepaper compiled by the SMARTHEP Early
Stage Researchers presents a high-level overview and reviews recent
developments of triggering practices employed at the LHC. The general trigger
principles applied at modern HEP experiments are highlighted, with specific
reference to the current trigger state-of-the-art within the ALICE, ATLAS, CMS
and LHCb collaborations. Furthermore, a brief synopsis of the new trigger
paradigm required by the upcoming high-luminosity upgrade of the LHC is
provided
Graph Neural Network-Based Track Finding in the LHCb Vertex Detector
No full textInternational audienceThe next decade will see an order of magnitude increase in data collected by high-energy physics experiments, driven by the High-Luminosity LHC (HL-LHC). The reconstruction of charged particle trajectories (tracks) has always been a critical part of offline data processing pipelines. The complexity of HL-LHC data will however increasingly mandate track finding in all stages of an experiment's real-time processing. This paper presents a GNN-based track-finding pipeline tailored for the Run 3 LHCb experiment's vertex detector and benchmarks its physics performance and computational cost against existing classical algorithms on GPU architectures. A novelty of our work compared to existing GNN tracking pipelines is batched execution, in which the GPU evaluates the pipeline on hundreds of events in parallel. We evaluate the impact of neural-network quantisation on physics and computational performance, and comment on the outlook for GNN tracking algorithms for other parts of the LHCb track-finding pipeline
Graph Neural Network-Based Pipeline for Track Finding in the Velo at LHCb
No full texthttps://indico.cern.ch/event/1252748/contributions/5521484/International audienceOver the next decade, increases in instantaneous luminosity and detector granularity will amplify the amount of data that has to be analysed by high-energy physics experiments, whether in real time or offline, by an order of magnitude.The reconstruction of charged particle tracks, which has always been a crucial element of offline data processing pipelines, must increasingly be deployed from the very first stages of the real time processing to enable experiments to achieve their physics goals.Graph Neural Networks (GNNs) have received a great deal of attention in the community because their computational complexity scales nearly linearly with the number of hits in the detector, unlike conventional algorithms which often scale quadratically or worse.This paper presents \texttt{ETX4VELO}, a GNN-based track-finding pipeline tailored for the Run 3 LHCb experiment's Vertex Locator, in the context of LHCb's fully GPU-based first-level trigger system, Allen. Currently implemented in Python, \texttt{ETX4VELO} offers the ability to reconstruct tracks with shared hits using a novel triplet-based method. When benchmarked against the traditional track-finding algorithm in Allen, this GNN-based approach not only matches but occasionally surpasses its physics performance. In particular, the fraction of fake tracks is reduced from over 2\% to below 1\% and the efficiency to reconstruct electrons is improved.While achieving comparable physics performance is a milestone, the immediate priority remains implementing \texttt{ETX4VELO} in Allen in order to determine and optimise its throughput, to meet the demands of this high-rate environment
Faire progresser l'apprentissage automatique pour la physique des hautes énergies : de l'optimisation de l'étalonnage des jets à la détection des anomalies dans les séries temporelles
No full textThe ATLAS experiment is one of the two multi-purpose particle collision detectors at the Large Hadron Collider (LHC) at CERN. It generates unprecedented amounts of data, recording proton-proton and nuclei collisions at rates up to 40 MHz. To properly exploit the data and measure Standard Model of particle physics observables, or even search for new phenomena, we need efficient and precise algorithms. This thesis investigates machine learning-based methods to address two central challenges in ATLAS data processing: jet energy calibration and data quality monitoring of the calorimeter system. These are important issues as they constitute some of the first bottlenecks to collecting high-quality data in hadron collider experiments.First, we propose a unified approach to jet calibration by merging several steps of the current ATLAS experiment calibration chain. We combine a neural network-based calibration with a loss function that optimises the jet energy resolution (JER) directly in data, using the dijet asymmetry as a proxy. This approach aims to reduce the resources required for deriving the final jet calibration while maintaining or improving the JER performance.Second, we explore anomaly detection in multivariate time series for data quality monitoring. Accurately identifying the instances when defects occur is essential but challenging, as the types of anomalies are unknown beforehand and reliably labelled data are scarce. We evaluate unsupervised transformer-based models and benchmark their performance against traditional methods on public and ATLAS detector liquid argon calorimeter data. To address the lack of reliable labels, we use the Lorenzetti simulator - a general-purpose framework for simulating high-energy calorimeters - where we introduce artificial defects to evaluate the sensitivity of various detection methods.As part of the SMARTHEP European Training Network, this project was done in collaboration with IBM Research, who share an interest in time series anomaly detection due to its potential applications in fraud detection.These contributions highlight how modern machine learning techniques can enhance detector performance and data reliability in particle physics experiments while demonstrating broader interdisciplinary potential.ATLAS est un des deux détecteurs de particules polyvalents du Grand Collisionneur de Hadrons (Large Hadron Collider (LHC)) au CERN. En enregistrant des collisions proton-proton et des collisions de noyaux à des fréquences allant jusqu'à 40 MHz, le volume de données générées par ATLAS est sans précédent. Afin d'exploiter correctement ces données et de mesurer des observables du Modèle Standard de la physique des particules, mais aussi de rechercher de nouveaux phénomènes, nous avons besoin d'algorithmes efficaces et précis. Cette thèse étudie les méthodes basées sur l'apprentissage automatique pour relever deux défis centraux dans le traitement des données d'ATLAS : l'étalonnage de l'énergie des jets et le contrôle de la qualité des données du système calorimétrique. Ces questions sont importantes car elles constituent les premières difficultés de la collecte de données de haute qualité dans les expériences de collisionneurs de hadrons.Premièrement, nous proposons une approche unifiée de l'étalonnage des jets en fusionnant plusieurs étapes de la chaîne d'étalonnage actuelle de l'expérience ATLAS. Nous combinons un étalonnage basé sur un réseau de neurones avec une fonction de perte qui optimise la résolution de l'énergie des jets directement dans les données, en utilisant l'asymétrie des dijets comme proxy. Cette approche vise à réduire les ressources nécessaires à la dérivation de l'étalonnage final des jets, tout en maintenant ou en améliorant la résolution de l'énergie des jets.Deuxièmement, nous étudions la détection des anomalies dans les séries temporelles multivariées pour le contrôle de la qualité des données. L'identification précise des moments auxquels des défauts se produisent est essentielle mais difficile, car les types d'anomalies sont inconnus à l'avance et les données étiquetées de manière fiable sont rares. Nous évaluons des modèles non-supervisés basés sur les transformeurs et comparons leurs performances aux méthodes traditionnelles sur des données publiques et des données du calorimètre à argon liquide de détecteur ATLAS. Pour adresser le manque d'étiquettes fiables, nous utilisons le simulateur Lorenzetti - un cadre général pour la simulation de calorimètres pour des particules de haute énergie - où nous introduisons des défauts artificiels pour évaluer la sensibilité et la robustesse de diverses méthodes de détection.Dans le contexte du réseau européen SMARTHEP, ce travail a été réalisé en collaboration avec IBM Research, qui partage un intérêt pour la détection des anomalies dans les séries temporelles en raison de ses applications potentielles à la détection des fraudes.Ensemble, ces contributions soulignent comment des techniques modernes d'apprentissage automatique peuvent améliorer les performances des détecteurs et la fiabilité des données dans les expériences de physique des particules, tout en démontrant également leur potentiel interdisciplinaire plus large
Faire progresser l'apprentissage automatique pour la physique des hautes énergies : de l'optimisation de l'étalonnage des jets à la détection des anomalies dans les séries temporelles
No full textThe ATLAS experiment is one of the two multi-purpose particle collision detectors at the Large Hadron Collider (LHC) at CERN. It generates unprecedented amounts of data, recording proton-proton and nuclei collisions at rates up to 40 MHz. To properly exploit the data and measure Standard Model of particle physics observables, or even search for new phenomena, we need efficient and precise algorithms. This thesis investigates machine learning-based methods to address two central challenges in ATLAS data processing: jet energy calibration and data quality monitoring of the calorimeter system. These are important issues as they constitute some of the first bottlenecks to collecting high-quality data in hadron collider experiments.First, we propose a unified approach to jet calibration by merging several steps of the current ATLAS experiment calibration chain. We combine a neural network-based calibration with a loss function that optimises the jet energy resolution (JER) directly in data, using the dijet asymmetry as a proxy. This approach aims to reduce the resources required for deriving the final jet calibration while maintaining or improving the JER performance.Second, we explore anomaly detection in multivariate time series for data quality monitoring. Accurately identifying the instances when defects occur is essential but challenging, as the types of anomalies are unknown beforehand and reliably labelled data are scarce. We evaluate unsupervised transformer-based models and benchmark their performance against traditional methods on public and ATLAS detector liquid argon calorimeter data. To address the lack of reliable labels, we use the Lorenzetti simulator - a general-purpose framework for simulating high-energy calorimeters - where we introduce artificial defects to evaluate the sensitivity of various detection methods.As part of the SMARTHEP European Training Network, this project was done in collaboration with IBM Research, who share an interest in time series anomaly detection due to its potential applications in fraud detection.These contributions highlight how modern machine learning techniques can enhance detector performance and data reliability in particle physics experiments while demonstrating broader interdisciplinary potential.ATLAS est un des deux détecteurs de particules polyvalents du Grand Collisionneur de Hadrons (Large Hadron Collider (LHC)) au CERN. En enregistrant des collisions proton-proton et des collisions de noyaux à des fréquences allant jusqu'à 40 MHz, le volume de données générées par ATLAS est sans précédent. Afin d'exploiter correctement ces données et de mesurer des observables du Modèle Standard de la physique des particules, mais aussi de rechercher de nouveaux phénomènes, nous avons besoin d'algorithmes efficaces et précis. Cette thèse étudie les méthodes basées sur l'apprentissage automatique pour relever deux défis centraux dans le traitement des données d'ATLAS : l'étalonnage de l'énergie des jets et le contrôle de la qualité des données du système calorimétrique. Ces questions sont importantes car elles constituent les premières difficultés de la collecte de données de haute qualité dans les expériences de collisionneurs de hadrons.Premièrement, nous proposons une approche unifiée de l'étalonnage des jets en fusionnant plusieurs étapes de la chaîne d'étalonnage actuelle de l'expérience ATLAS. Nous combinons un étalonnage basé sur un réseau de neurones avec une fonction de perte qui optimise la résolution de l'énergie des jets directement dans les données, en utilisant l'asymétrie des dijets comme proxy. Cette approche vise à réduire les ressources nécessaires à la dérivation de l'étalonnage final des jets, tout en maintenant ou en améliorant la résolution de l'énergie des jets.Deuxièmement, nous étudions la détection des anomalies dans les séries temporelles multivariées pour le contrôle de la qualité des données. L'identification précise des moments auxquels des défauts se produisent est essentielle mais difficile, car les types d'anomalies sont inconnus à l'avance et les données étiquetées de manière fiable sont rares. Nous évaluons des modèles non-supervisés basés sur les transformeurs et comparons leurs performances aux méthodes traditionnelles sur des données publiques et des données du calorimètre à argon liquide de détecteur ATLAS. Pour adresser le manque d'étiquettes fiables, nous utilisons le simulateur Lorenzetti - un cadre général pour la simulation de calorimètres pour des particules de haute énergie - où nous introduisons des défauts artificiels pour évaluer la sensibilité et la robustesse de diverses méthodes de détection.Dans le contexte du réseau européen SMARTHEP, ce travail a été réalisé en collaboration avec IBM Research, qui partage un intérêt pour la détection des anomalies dans les séries temporelles en raison de ses applications potentielles à la détection des fraudes.Ensemble, ces contributions soulignent comment des techniques modernes d'apprentissage automatique peuvent améliorer les performances des détecteurs et la fiabilité des données dans les expériences de physique des particules, tout en démontrant également leur potentiel interdisciplinaire plus large
