Нейросеть на слух: как поймать энергию частицы экспресс

Представлены нейросетевые архитектуры для восстановления энергии, выделившейся в ячейках жидко-аргоновых калориметров ATLAS при ожидаемых на HL-LHC высоких уровнях наложения событий (pile-up). Сети предназначены для выполнения на считывающей электронике на основе ПЛИС (FPGA) с жёсткими ограничениями по размеру и задержке. Полносвязные (Dense), рекуррентные (RNN) и свёрточные (CNN) сети оптимизированы байесовской процедурой, балансирующей энергетическое разрешение и число параметров. Оптимизированные Dense, CNN и комбинированная Dense+RNN архитектуры достигают поперечного энергетического разрешения около 80 МэВ, превосходя как используемый в настоящее время метод оптимальной фильтрации (OF), так и RNN сравнимой сложности. Детальное сравнение во всём динамическом диапазоне показывает, что Dense, CNN и Dense+RNN точно воспроизводят энергетическую шкалу, тогда как OF и RNN занижают энергию. Для получения надёжных неопределённостей для каждого события в Dense-архитектуру внедрена глубокая очевидностная регрессия (Deep Evidential Regression); этот подход даёт оценки предсказательной неопределённости с минимальным увеличением размера сети.