Secondary Vertex Reconstruction with MaskFormers
Notice bibliographique
Résumé
In high-energy particle collisions, the reconstruction of secondary vertices from heavy-flavour hadron decays is crucial for identifying and studying jets initiated by $b$- or $c$-quarks. Traditional methods, while effective, require extensive manual optimisation and struggle to perform consistently across wide regions of phase space. Meanwhile, recent advancements in machine learning have improved performance but are unable to fully reconstruct multiple vertices. In this work we propose a novel approach to secondary vertex reconstruction based on recent advancements in object detection and computer vision. Our method directly predicts the presence and properties of an arbitrary number of vertices in a single model. This approach overcomes the limitations of existing techniques. Applied to simulated proton-proton collision events, our approach demonstrates significant improvements in vertex finding efficiency, achieving a 10% improvement over an existing state-of-the-art method. Moreover, it enables vertex fitting, providing accurate estimates of key vertex properties such as transverse momentum, radial flight distance, and angular displacement from the jet axis. When integrated into a flavour tagging pipeline, our method yields a 50% improvement in light-jet rejection and a 15% improvement in $c$-jet rejection at a $b$-jet selection efficiency of 70%. These results demonstrate the potential of adapting advanced object detection techniques for particle physics, and pave the way for more powerful and flexible reconstruction tools in high-energy physics experiments.
Récupéré en direct depuis OpenAlex et désinversé. Les résumés ne sont pas conservés dans cette base de données : les index inversés représentent 8,6 Go des 9,3 Go de texte de la base, et le serveur dispose de 13 Go libres.
Comment cette classification a été obtenuedéplier
Prédiction distillée sur la base complète
Imitation des enseignantsNi prévalence calibrée, ni vérité terrain. Validation humaine à venir. Apprise à partir de 10 348 étiquettes directes de Codex et de 10 348 étiquettes directes de Gemma. Le mode candidate est l'union des têtes enseignantes seuillées; le consensus est leur intersection. Ces sorties portent le statut machine_predicted_unvalidated et ne sont ni des étiquettes humaines ni des étiquettes directes de modèles de pointe.
Scores Codex et Gemma par catégorie
| Catégorie | Codex | Gemma |
|---|---|---|
| Métarecherche | 0,000 | 0,000 |
| Méta-épidémiologie (sens strict) | 0,000 | 0,000 |
| Méta-épidémiologie (sens large) | 0,000 | 0,000 |
| Bibliométrie | 0,000 | 0,001 |
| Études des sciences et des technologies | 0,000 | 0,000 |
| Communication savante | 0,000 | 0,001 |
| Science ouverte | 0,001 | 0,001 |
| Intégrité de la recherche | 0,000 | 0,001 |
| Charge utile insuffisante (le modèle a refusé de juger) | 0,000 | 0,000 |
Scores machine (provisoires)
Les deux têtes enseignantes du modèle étudiant, lues sur ce travail. Un score ordonne la base pour la relecture; il n'affirme jamais une catégorie, et le statut de validation accompagne chaque rangée tel quel.
Scores de référence d'un modèle non mature (critères de maturité non atteints, 7 itérations). Un score ordonne; il n'affirme jamais une catégorie.
score_only:v0-immature-baseline · tel quel depuis la passe de notation : score_only signifie que le nombre peut ordonner les travaux, et qu'aucune étiquette de catégorie n'en découleClassification
machine, non validéePrédiction automatique; un appel candidat d’une seule tête enseignante, pas un consensus.
Le détail, modèle par modèle et score par score, se trouve en fin de page sous « Comment cette classification a été obtenue ».