Новая стратегия трековой реконструкции CMS: GPU, CPU и машинное обучение против экстремального засорения данных

Коллаборация CMS представила новую вычислительную стратегию для реконструкции столкновений при обновлённом Large Hadron Collider, объединяющую GPU-алгоритмы, векторизованные CPU-методы и нейросети в единый пайплайн.

Чтобы не утонуть в потоке данных при пиковой светимости HL-LHC, коллаборация CMS переходит на гетерогенную вычислительную архитектуру — и это, пожалуй, самый амбициозный апгрейд детектора со времён его запуска.

Что за проблема

Large Hadron Collider (LHC) в ЦЕРН готовится к серьёзной модернизации. Проект High-Luminosity LHC (HL-LHC), запуск которого ожидается в конце десятилетия, предполагает увеличение светимости — то есть количества столкновений протонов в секунду — примерно в пять-семь раз по сравнению с текущими показателями. Это означает больше данных, больше потенциальных открытий и одновременно — значительно более жёсткие требования к вычислительной инфраструктуре.

Главная техническая головная боль при такой светимости — так называемый «пайлап» (pileup). В каждом столкновении пучков (бунче) будет происходить одновременно до 200 столкновений протонных пар вместо нынешних 40–60. Все эти столкновения накладываются друг на друга, и детектору нужно из миллионов отсчётов восстановить траектории частиц — «треки» — и отделить интересные физические процессы от фоновых.

CMS — один из двух крупнейших универсальных детекторов на LHC — должен решить эту задачу. И новая статья, представленная на Международной конференции по физике высоких энергий (ICHEP 2026), описывает, как именно команда планирует это сделать.

Суть нового подхода

Стратегия, описанная Марио Маскиовеккио от имени коллаборации CMS, представляет собой не один «волшебный» алгоритм, а конвейер из нескольких комплементарных методов. Ключевая идея — гетерогенные вычисления: использование GPU и CPU параллельно, где каждому типу оборудования поручается та задача, с которой он справляется лучше всего.

Конкретно задействованы три основных компонента:

• Patatrack — GPU-оптимизированный алгоритм для начальной стадии трековой реконструкции. Он берёт на себя первичную обработку данных с пиксельного трекера, где объём информации максимален, и массово параллельные GPU-вычисления здесь наиболее эффективны.

• LST (Line Segment Tracking) — ещё один GPU-алгоритм, отвечающий за построение сегментов треков на более поздних слоях детектора (силовом трекере). Название говорит само за себя: алгоритм ищет отрезки прямых линий, которые затем сшиваются в полные траектории.

• mkFit — векторизованный алгоритм для CPU, оптимизированный под современные инструкции (SIMD). Он выполняет финальную подгонку и уточнение треков, используя полный объём информации о магнитном поле и геометрии детектора.

Помимо этих трёх «китов», в пайплайн интегрированы методы машинного обучения — для классификации треков, подавления фейковых кандидатов и улучшения разрешения.

Почему это важно

Текущая система трековой реконструкции CMS была спроектирована для условий, которые HL-LHC сделает невозможными. При 200 наложенных столкновениях на бунч количество возможных комбинаций «хитов» (отсчётов в детекторе, которые могут принадлежать одной частице) растёт экспоненциально. Алгоритмические решения, работавшие при pileup 40–60, просто не успеют обработать данные за отведённое между столкновениями время.

Новая стратегия должна решить несколько задач одновременно:

• Скорость обработки. GPU-алгоритмы позволяют параллельно обрабатывать десятки тысяч трековых кандидатов. Patatrack и LST, работающие на графических процессорах, способны обеспечить throughput, недоступный классическим CPU-подходам.

• Снижение количества фейковых треков. При высоком пайлапе алгоритмы склонны «изобретать» несуществующие траектории, сшивая хиты от разных столкновений. Интеграция ML-методов должна помочь отсечь такие артефакты.

• Поиск необычных событий. Стратегия включает реконструкцию «смещённых треков» (displaced tracks) — траекторий частиц, которые не исходят из точки столкновения. Это критически важно для поиска долгоживущих частиц (long-lived particles), которые являются одной из «экзотических» целей HL-LHC.

• Вычислительная экономия. Гетерогенный подход позволяет снизить общее потребление ресурсов: задача перераспределяется на тот тип оборудования, который решает её оптимальнее.

Инженерные компромиссы и неизвестности

Заявления звучат впечатляюще, но важно понимать контекст. Это тезисная работа (conference contribution) для ICHEP 2026, а не полная публикация с детальными бенчмарками. В доступном описании не приводятся:

• точные цифры по скорости обработки (сколько событий в секунду на каком железе);
• сравнительные метрики эффективности нового и старого пайплайна при одинаковых условиях;
• требования к объёму памяти GPU и CPU;
• детали обучения ML-моделей и их устойчивость к систематическим смещениям.

Кроме того, гетерогенная архитектура сама по себе создаёт новые сложности. Передача данных между GPU и CPU — узкое место, которое может свести на нет выигрыш в производительности от параллелизации. Нужна тщательная балансировка нагрузки: если GPU закончит свою часть работы раньше, чем CPU — или наоборот — один из процессоров будет простаивать.

Ещё один вопрос — воспроизводимость. GPU-алгоритмы чувствительны к точности арифметики с плавающей запятой (float32 vs float64). Для реконструкции треков, где критичны микронные точности, это не тривиальная проблема. Коллаборация, вероятно, учла этот момент, но в доступном тексте деталей нет.

Что это значит для физики

Если стратегия сработает как задумано, CMS получит реконструкцию, способную работать в реальном времени (online) при параметрах HL-LHC. Это важно не только для триггерных решений — какие события сохранять, а какие отбрасывать прямо на лету — но и для последующего оффлайн-анализа, где требования к точности ещё выше.

Расширенная чувствительность к смещённым трекам и долгоживущим частицам — отдельный плюс. Эти сигнатуры плохо ловятся стандартными алгоритмами, заточенными на частицы, вылетающие из вершины столкновения. Если новый пайплайн действительно улучшит их реконструкцию, это может открыть окно к физике за пределами Стандартной модели — при условии, что такая физика вообще существует в энергетическом диапазоне HL-LHC.

Масштаб задачи

Нельзя забывать о масштабе инфраструктуры, о которой идёт речь. CMS — это детектор весом 14 000 тонн, с 75 миллионами электронных каналов. Вычислительный парк коллаборации распределён по сотням институтов по всему миру и включает десятки тысяч CPU-ядер и тысячи GPU. Переход на новую реконструкцию — не обновление одного скрипта, а перестройка всего программного стека.

Факт, что CMS выбирает гетерогенный путь вместо простого наращивания CPU-ферм, говорит о признании неизбежности: классические подходы масштабировались бы слишком дорого. GPU стали стандартом в ML и компьютерном зрении; их адаптация для физики частиц — логичный, но непростой шаг.

Итого

Новая стратегия трековой реконструкции CMS — это попытка заранее решить проблему, которая станет острой только через несколько лет, когда HL-LHC начнёт работу в полную силу. Подход выглядит рациональным: GPU для массового параллелизма, CPU для точной финальной обработки, ML для классификации и фильтрации. Но до масштабного тестирования на реальных данных HL-LHC остаётся вопрос, насколько плавно всё это сработает в связке — и хватит ли вычислительных ресурсов с запасом, а не впритык.