tracking in high energy physics alberto pulvirenti pulvir/lezionitracking.ppt
TRANSCRIPT
Tracking in high Tracking in high energy physicsenergy physics
Alberto Pulvirenti
http://www.ct.infn.it/~pulvir/LezioniTracking.ppt
2Obiettivi della ricerca modernaObiettivi della ricerca moderna
Investigare la struttura dell’universo microscopico
Studiare collisioni ad energia sempre più alta …che producono sempre più particelle ad alta energia
Strategia sperimentale: Tracking Detectors Il rivelatore non “stoppa” le particelle La particella viene “seguita” lungo il suo percorso
3Tracking detectorsTracking detectors
Struttura a strati (“layer”) Struttura a strati (“layer”) sensibilisensibili
La particella attraversa gli La particella attraversa gli strati…strati………e ogni strato “prende nota” del punto in cui è stato e ogni strato “prende nota” del punto in cui è stato attraversatoattraversato
Output finale = insiemi di punti spaziali in Output finale = insiemi di punti spaziali in ogni layerogni layer
4Come visualizzare le traiettorie delle Come visualizzare le traiettorie delle particelle?particelle?
Metodi “visuali” Camere a bolle Camere a scintille Emulsioni fotografiche
Metodi elettronici Rivelatori a gas Rivelatori a stato
solido
5Metodi “visuali” per la rivelazione di Metodi “visuali” per la rivelazione di particelleparticelle Materiale trasparente che reagisce al passaggio di particelle Analisi visuale di una immagine ottenuta impressionando lastre
fotografiche
6Metodi “visuali” per la rivelazione di Metodi “visuali” per la rivelazione di particelleparticelle
… analisi laboriosa e faticosa, difficile da automatizzare al computer
7Rivelazione di particelle con segnali Rivelazione di particelle con segnali elettronicielettronici
Rivelatori a gas Contatori proporzionali Camere a deriva TPC
Rivelatori a stato solido Pixel detectors Drift detectors Strip detectors
8
1. Survey Data (o “geometria”) Posizione spaziale di ogni volume (sensibile o non
sensibile) del rivelatore
2. Calibration Constants Costanti per convertire i segnali elettrici del rivelatore in
informazione utilizzabile per l’analisi fisica
3. Mappatura del campo magnetico Fondamentale per ricostruire l’impulso della particella in
base alla curvatura della sua traiettoria
4. RAW DATA ( “clusters”) I veri e propri dati sperimentali, raccolti dal
rivelatore in seguito alla collisione generata con i fasci di particelle
Dal rivelatore all’algoritmo: dati Dal rivelatore all’algoritmo: dati di basedi base
9Come ricostruire la traiettoria di una Come ricostruire la traiettoria di una particella?particella?
Fit dei punti generati da una particella, usando una opportuna equazione per la traiettoria
…ma se le tracce sono tante e vicine?
Prima di ricostruire i percorsi delle particelle, bisogna sapere QUALI punti appartengono a ciascuna
particella:
PATTERN RECOGNITION PROBLEM
10
Questo è 1/100 di quello che potrebbe succedere in ALICE.
Contate le tracce (se ci riuscite)!
Un caso realistico…Un caso realistico…
11What’s “tracking”?What’s “tracking”?
INPUT:INPUT:Punti Punti
spazialispaziali
OUTPUT:OUTPUT:Particelle Particelle (impulso, (impulso,
PID)PID)
TRACKINGTRACKING
Fase 1 (track recognition):Fase 1 (track recognition): selezione dei punti (probabilmente) prodotti da una stessa selezione dei punti (probabilmente) prodotti da una stessa particellaparticella
Fase 2 (track reconstruction):Fase 2 (track reconstruction): ricostruzione delle ricostruzione delle caratteristiche fisiche della caratteristiche fisiche della particella (identificazione, particella (identificazione, impulso) impulso)
12
Cosa significa “pattern Cosa significa “pattern recognition”?recognition”? Letteralmente: “riconoscimento di modelli”
Punto di partenza: “immagine”: Insieme di segnali o informazioni che caratterizzano
completamente un oggetto, nel contesto in cui esso viene analizzato.◊ NON è ristretto alle immagini visive
Due step essenziali:1. Definizione di un set di Immagini-Modello2. Classificazione di ogni altra Immagine dello stesso insieme
statistico secondo il Modello cui somiglia di più (se esiste).> Definizione di “somiglianza” o “distanza” fra immagini
13
Qualche definizione più Qualche definizione più rigorosa…rigorosa… Problema di “classificazione”:
Input: un vettore di misura (“pattern”) contenente tutte le informazioni necessarie per definire un oggetto◊ {Xk}, k = 1, …, N
Output: classificazione del vettore (e quindi dell’oggetto associato) mediante una funzione di decisione:◊ C = d({Xk})
Pattern space ( P ): Spazio di tutti i possibili pattern {Xk}
Obiettivo: Suddividere P in regioni separate, corrispondenti alle
varie classificazioni possibili…◊ …+ una classe per “unidentified patterns”
14Esempio 1: letturaEsempio 1: lettura
Per farlo, dobbiamo prima conoscere le lettere Pattern: segni sulla carta
“a”, “b”, “c”, etc… Classificazione: suono associato al segno Dalle forme delle lettere in stampatello, possiamo
“intuire” come leggere uno scritto a mano, per analogia o somiglianza
“Nel mezzo del cammin di nostra vita
Mi ritrovai per una selva oscura…”
…ma non sempre tutto è così scontato:
المناطق في العسكرية العمليات لوقف شارون يدعو األوروبي االتحادالمسلحين على للسيطرة الوقت من مزيدا عباس محمود ومنح الفلسطينية
15
Esempio 2: riconoscimento Esempio 2: riconoscimento visivovisivoCosa è questo?
…un gatto?
COMPLIMENTI!
Avete appena eseguito un Pattern Recognition!
16Pattern space e Pattern space e Feature Feature spacespace
Definizione concettuale: Funzione degli elementi del pattern che consente di ridurre
il numero di parametri di cui tenere conto◊ Riduzione dell’informazione agli elementi “essenziali”
Definizione “rigorosa”: Base {ek} ortogonale nello spazio dei pattern che si possa
scomporre in due blocchi {e1,…, m < N }, {em+1, …, N } tali che due pattern con le stesse componenti nei primi m (< N ) elementi sono abbastanza simili da poter essere considerati “identici” ai fini della classificazione da fare
Esempio: N punti allineati retta di best-fit + 2 (3 o 5 parametri)
◊ Meno informazione◊ Si mantengono solo le informazioni “importanti”.
17Vantaggi delle featuresVantaggi delle features
Meno elementi nel vettore da classificare
Gerarchia di importanza dei parametri.
“Residui” (gli N – m elementi “secondari”) Criterio di valutazione di classificabilità Esempio dei punti allineati:
◊ stabilire se possono essere accettati come “retta” o meno
18Tracking e pattern recognitionTracking e pattern recognition
Pattern: sequenze di punti restituiti dal rivelatore Uno per ogni strato sensibile Problema n! – combinatorio (n = numero di strati del rivelatore)
Feature: parametri della traiettoria della particella
Classificazione: traccia finale Punto di produzione della particella (vertice) Modulo e orientamento spaziale dell’impulso iniziale
19ComplicazioniComplicazioni
L’impulso è un numero reale Il numero di classi è infinito
I punti sperimentali sono tanti Impossibile lavorare su tutte le combinazioni
possibili Selezione di “track candidates” check di
validità
20Parametrizzazione della tracciaParametrizzazione della traccia
Fondamentale per la ricostruzione
5 parametri essenziali Posizione (3 coordinate) + Impulso (3 componenti) - 1
(perché può essere scelto qualsiasi punto) Qualsiasi set di 5 parametri è matematicamente
equivalente◊ Sconsigliabili i parametri che diventano troppo grandi
• Meglio usare 1/p piuttosto che p
◊ Attenzione ai parametri che, durante il fit, presentano discontinuità o correlazione con altri.
La scelta corretta è sempre dipendente dalla situazione (apparato sperimentale, range di impulso da ricostruire, …)
21““Disturbi” nella ricostruzioneDisturbi” nella ricostruzione
Scattering multiplo nel mezzo: formula di Moliére
la traccia si scosta dalla forma “regolare” (potrebbe anche non essere trovabile)
010
0
22 log12.01
015.0
X
x
X
xz
p
Energy loss: formula di Bethe-Bloch
(in presenza di campo magnetico) la traccia spiraleggia nel piano trasverso
2222
2
2
/1
2log31.0
MmI
cm
A
Zz
dx
dE
e
e
22Metodi di track findingMetodi di track finding
Metodi locali Viene aggiunto alla traccia un punto alla volta, in
base a criteri di scelta che dipendono dalla forma prevista per la traccia e dai punti precedentemente acquisiti
Metodi globali Viene selezionato direttamente un insieme di punti
sui quali viene operato un check unico, cosicché la traccia viene restituita direttamente
NB: è necessario in ogni caso un adattamento
specifico all’apparato sperimentale da usare.
23Local vs. GlobalLocal vs. Global
Metodi locali: Scelta dei punti “step-by-step” con una informazione
che rimane parziale fino al termine della procedura Il risultato può dipendere dall’ordine con cui i dati
vengono analizzati Necessita di un innesco ben congegnato Non necessita di un modello globale di traccia
(traiettoria) Consente una trattazione ottimale dei “disturbi”
Metodi globali La decisione viene presa sfruttando l’intera
informazione Può operare direttamente sui dati grezzi Ha bisogno di una precisa espressione della traiettoria Può tenere conto dei “disturbi” solo in media
24Metodi localiMetodi locali
Tre possibili criteri logici: “segui il tuo naso” track following method
◊ Si innesca la traccia partendo da un estremo, e si esegue una “proiezione” nel layer successivo, selezionando il punto meglio compatibile con essa
25Metodi localiMetodi locali
Tre possibili criteri logici: “segui il tuo naso” track following method
◊ Si innesca la traccia partendo da un estremo, e si esegue una “proiezione” nel layer successivo, selezionando il punto meglio compatibile con essa
“congiungi gli estremi” track road method◊ Si determinano due punti sui layer estremi e si congiungono
cercando un percorso adeguato fra i punti del rivelatore
26Metodi localiMetodi locali
Tre possibili criteri logici: “segui il tuo naso” track following method
◊ Si innesca la traccia partendo da un estremo, e si esegue una “proiezione” nel layer successivo, selezionando il punto meglio compatibile con essa
“congiungi gli estremi” track road method◊ Si determinano due punti sui layer estremi e si congiungono
cercando un percorso adeguato fra i punti del rivelatore “definisci una immagine” track element method
◊ Si individuano segmenti lungo il percorso della traccia, e poi vengono collegati fra loro in base alla compatibilità
27
Il “principe” dei metodi locali: Il “principe” dei metodi locali: Kalman FilterKalman Filter Base: track following Introdotto da P. Billoir (1983)
In seguito si è compreso che tale metodo si riconduce ad un metodo generale sviluppato da Kalman per il fit di sistemi complessi
Ingredienti: An (5)
◊ vettore di stato contenente i 5 parametri essenziali di traccia Vn (5x5)
◊ matrice di covarianza dei 5 parametri (5x5) Mn = H An(2)
◊ vettore di “misura” (che passa dai parametri alla misura osservabile punto)
Cn = H Vn HT (2x2)◊ matrice di covarianza delle misure
28Algoritmo del Kalman FilterAlgoritmo del Kalman Filter
Start: “seeding” Stime ragionevoli per An e Vn a partire da alcuni
punti.
Propagazione stima del vettore di stato nel punto n – 1:
A*n-1 = Pn An
viene propagata anche la matrice di covarianza, che viene artificiosamente aumentata di un termine di disturbo che tiene conto dello scattering multiplo:
V*n-1 = Pn ( Vn + Nn ) Pn
T
29Algoritmo del Kalman FilterAlgoritmo del Kalman Filter
Selezione di un punto candidato all’inclusione, in un layer di rivelazione: Mn-1 coordinate; Cn-1 covarianza
Calcolo dei residuiRA
n-1 = Mn-1 – M(A*n-1)
RCn-1 = Cn-1 – C(A*
n-1)
Filtro: modifica del vettore di stato includendo nuova informazione Definizione: “gain matrix” K = V*
n-1 HT (Cn-1 + H V*n-1 HT)-1
An-1 = A*n-1 + K RA
n-1
Vn-1 = (1 – K H) V*n-1
2 (RAn-1)T(RC
n-1)-1 RAn-1
30Kalman FilterKalman Filter
Track finding: Single step:
◊ Propagazione su più punti sul layer in studio◊ Inclusione del punto che determina il minimo 2
Hypothesis tree:◊ Generazione di “alberi” di punti, tenendo conto di tutte
le possibilità◊ Selezione del percorso cui corrisponde il minimo 2
totale (dalla somma di tutti I contributi)
Track fitting: Avviene “in itinere” durante il finding 3D fit contemporaneo “locale”
31
Vantaggi e svantaggi del Kalman Vantaggi e svantaggi del Kalman FilterFilterOK
Esegue contemporaneamente track finding e fitting Opera sui parametri di traccia (retta: 4, elica: 5)
◊ Niente matrici della dimensione del numero di punti del campione
Molto utile per collegare punti su rivelatori diversi E’ molto semplice introdurre gli effetti dei “disturbi”:
◊ Multiple scattering: incremento sulla matrice di covarianza◊ Energy loss: variazione “locale” della curvatura, step per step
KO Richiede una procedura ottimale di ricerca dei punti E’ fortemente dipendente dalle condizioni iniziali
32Metodi globaliMetodi globali
Combinatorio totale Analisi di tutte le possibilità
Template matching Confronto con modelli
Histogramming Ricerca di configurazioni
ripetitive
Metodi neurali o neural-like Associazioni locali
33Template matchingTemplate matching
Applicazione “nativa” del pattern recognition Definizione di “template”:
◊ Definire parametri iniziali di traccia◊ Stabilire che punti produrranno
Confronto con lo schema di punti ottenuto sperimentalmente:◊ Individuazione dei template presenti nel campione◊ Nessun processing aggiuntivo: i parametri finali della
traccia sono quelli del matched template
Applicabilità molto limitata◊ Solo in caso di poche combinazioni possibili
34
Template matching Template matching recursive recursive tree searchtree search Procedura iterativa con diverse gerarchie di
template, via via più precise, in modo da operare l’incremento del dettaglio solo nei sottoinsiemi di pattern che si adattano, via via, al template precedente che è stato riscontrato nei dati.
1
43
2
35Complete combinatorial methodComplete combinatorial method
L’algoritmo concettualmente più semplice: Costruire tutte le possibili sequenze di punti (1 per layer) Valutare la compatibilità con il modello di traccia previsto
◊ Fit e calcolo del 2 parametro di qualità Ordinare le combinazioni secondo il parametro di qualità Stabilire un criterio di accettazione:
◊ Quantitativo: i primi N elementi • (se si ha una idea della molteplicità da attendere in un evento)
◊ Qualitativo: tutti gli elementi per cui 2 < 2max
Applicabilità fortemente dipendente dal numero di punti per layer e dal numero di layer stessi Crescita fattoriale della complessità Inapplicabile nella quasi totalità dei casi
36
Histogramming: Radon Histogramming: Radon TransformTransform
Distribuzione dei punti nel rivelatore:
p
pdpDxx p
Risposta media del rivelatore per una particella con una data configurazione di
parametri {p}
Popolazione tipica dello spazio delle features (param. di traccia), per la feature corrispondente a una particella
[delta function]
Problema di inversione: X p dxxxpD ~
Conoscenza dettagliata della risposta dei rivelatori Presenza di una precisa forma teorica della traccia
37
Hough Transform Hough Transform histogramminghistogramming Estensione del caso della trasformata di
Radon. Dipendenza dalla sola forma teorica della traccia
Base: espressione teorica della traiettoria Caso 1: (B = 0) retta 4 parametri Caso 2: (B = costante) elica 5 parametri
Ipotesi dell’algoritmo: Se N punti appartengono alla stessa traccia, estraendo i
parametri di traccia da qualsiasi loro sottoinsieme otterrò valori simili a quelli che otterrei dall’intero insieme.
Se i punti non appartengono ad una specifica traccia, estrarrò parametri casuali, che si distribuiranno a caso nello spazio delle features
38Hough Transform: procedimentoHough Transform: procedimento
Esempio: rette nel piano da un punto fisso Equazione: y = mx [m = tan()]1. Estrazione di da tutte le coppie di punti
istogramma2. Ricerca di picchi nell’istogramma
> corrispondenti a tante coppie “concordi” stessa traccia
39
Pro e contro della Hough Pro e contro della Hough TransformTransformPRO Semplice e veloce Non richiede un cluster finding
Può lavorare direttamente con i dati grezzi
CONTRO Dimensionalità dello spazio delle features
Nel caso più semplice (retta) serve un istogramma a 4D Necessità di una equazione “teorica” della
traccia Necessità di una quantità di layer del
rivelatore abbastanza grande da evidenziare gli addensamenti
40
Digressione: cos’è una rete Digressione: cos’è una rete neuraleneurale
NEURONI
SINAPSI Sistema distribuito di “processing units”
collegate fra loro in modo da scambiarsi informazioni.
Due costituenti di base: Il nodo di calcolo: neurone
◊ raccoglie segnali in input da altri elementi della rete◊ restituisce un output (“attivazione”) in risposta al
segnale ricevuto Veicolo di scambio di informazioni: sinapsi pesata
◊ implementa le correlazioni (o competizioni) fra neuroni
◊ agisce come un fattore moltiplicativo sul segnale ricevuto da ogni unità (“peso sinaptico”)
41
1
exp1
T
awa j jij
i
La variazione nell’attivazione diminuisce di ciclo in ciclo
i i
i
a
a
N
1Stabilizzazione finale
0
0
1,0
ij
ij
i
w
w
a correlazione incremento attivazione competizione decremento attivazione
RN a connessione completaCome opera la rete neuraleCome opera la rete neurale
42
Mappa di attivazioni reali comprese fra 0 e 1
Confronto con una soglia fissa di attivazione S
Mappa binaria di attivazioni (“on” / “off”)
altrimenti 0
se 1 Saa real
bin
Come opera la rete neuraleCome opera la rete neurale
43
Punti nel rivelatore
Neuroni = segmenti fra coppie di punti
Competizione peso inibitorio costante Bw I
Concatenamento peso eccitatorio dipendente dall’allineamento
nE Aw sin1
CATTIVO allineamento:
wE 0BUON
allineamento:
wE A
Implementazione del Tracking Implementazione del Tracking NeuraleNeurale
Nessuna relazione fra segmenti non contigui
44Tracking neurale: work flowTracking neurale: work flow
Lettura punti sui layerCreazione segmenti
“accettabili” (cut)La rete neurale
“spegne” i segmenti sbagliati, lasciando “accesi” quelli giusti, che producono le catene di segmenti che poi verranno passate al fit della traccia.
45Elastic ArmsElastic Arms
Combinazione di metodo neurale e “template matching” Definizione di N templates (Hough Transform) Calcolo di una funzione “energia”:
◊ E = SiaMia
• S = condizione di appartenenza del punto “i” alla traccia “a”• M = distanza del punto “i” dalla traccia “a”
Tale funzione deve essere minimizzata in due step:1. Correzione dei parametri dei template a partire dai punti
◊ Refit
2. “Riassegnazione” dei punti secondo il template più vicino◊ (rete neurale dei fattori Sia pesati in base ai valori M ia)
◊ Convergenza ciascun punto viene assegnato al template migliore.
46
Come si valuta la bontà di un Come si valuta la bontà di un algoritmo?algoritmo?Simulazione
Insieme di punti “assegnati” a ogni traccia Confronto fra le associazioni vere e quelle dedotte dal
tracking
Classificazione delle tracce trovate: Perfect Track
◊ Solo cluster con lo stesso ID traccia• Tutti quelli presenti nell’evento Complete Perfect Track• Alcuni punti mancanti Incomplete Perfect Track
Imperfect Track◊ Cluster con ID di tracce diversi (si assegna quello di
maggioranza)• “Sufficiente” maggioranza di un ID Majority Good Track
(accettabile)• “Insufficiente” maggioranza di un ID Majority Fake Track
(non accettabile)
47
Come si valuta la bontà di un Come si valuta la bontà di un algoritmo?algoritmo?
Track IDTrack ID
Perfect TrackPerfect TrackClass 5:Class 5:
Not FoundNot FoundImperfect TrackImperfect Track
Class 1:Class 1:PerfectPerfect
CompleteComplete
Class 2:Class 2:PerfectPerfect
IncompleteIncomplete
Class 3:Class 3:Majority GoodMajority Good
Class 4:Class 4:Majority FakeMajority Fake
Classificazione degli indici di traccia Classificazione degli indici di traccia simulatasimulata
48EfficienzaEfficienza
Tracce Trovate vs. Tracce Simulate
“Event by event” # tracce trovate correttamente / # tracce generate
Criterio di massima resa su un campione # eventi ricostruiti al 100% / # eventi generati
Criterio di resa sufficiente su un campione # eventi ricostruiti al 90% (o meno) / # eventi
generati
49EfficienzaEfficienza
Non tutte le tracce generate sono “trovabili”: Limiti dell’algoritmo Eccessivo effetto distorcente di EL e MS Quantità insufficiente di segnale nei rivelatori
Efficienza “del metodo” Calcolata sul campione delle sole tracce “trovabili”
Efficienza “globale” Calcolata sul campione delle tracce generate
E’ importante che l’algoritmo non sia “troppo” limitato!
50
good
fake
Esempio: efficienza di un algoritmo Esempio: efficienza di un algoritmo di trackingdi tracking
51Track fittingTrack fitting
Una volta assegnati i punti ad una particella…
…bisogna ricostruire I parametri fisici
Best-Fit dei punti con l’equazione della traiettoria M. Locali (Kalman) fit progressivo M. Globali fit “globale”
Caso facile: rettaCaso difficile: elica
Necessario un fit del cerchio nel piano trasverso
52Track fitting: Kalman FilterTrack fitting: Kalman Filter
Utilizzabile anche come semplice fitter I punti non devono essere “cercati” Il filtro è “forzato” a eseguire correzioni
adeguate a includere, uno alla volta, i punti della traccia
Vantaggio: il fit viene eseguito “all in one” in 3D
Svantaggio: è necessario un innesco (“seed”) Fit preliminare con altri metodi Ipotesi preliminare su 2 punti (retta) o 3 punti (elica)
53
Metodi per il fit del cerchio nel Metodi per il fit del cerchio nel pianopiano
Metodo dei minimi quadrati non risolubile esattamente (equazioni di minizzazione complesse)
Operazioni di linearizzazione Mapping conforme Sfera di Riemann
54Mapping conformeMapping conforme
2222 ,VV
V
VV
V
yyxx
yyv
yyxx
xxu
Ipotesi: il punto Ipotesi: il punto (x(xVV, y, yVV)) appartiene alla circonferenza appartiene alla circonferenza
Utile per il fit di tracce primarieUtile per il fit di tracce primarie
Inversione dell’ordine dei layer!Inversione dell’ordine dei layer!
55Mapping conformeMapping conforme
220
20 Ryyxx
122 00 vyyuxx VV
2222222222
2222222222
4
4
VV
VV
yyxxv
yyxxu
vuvu
vuvu
L’equazione cartesiana del cerchio…L’equazione cartesiana del cerchio…
……si trasforma in una retta (si trasforma in una retta (nonnon passante per passante per l’origine) l’origine)
fit banalefit banale
Occhio alla propagazione degli errori!!!Occhio alla propagazione degli errori!!!
56Sfera di RiemannSfera di Riemann
Una sfera di raggio unitario “poggiata” sul piano XYUna sfera di raggio unitario “poggiata” sul piano XY
Dato un punto sul piano XY, si congiunge con il polo della sfera Dato un punto sul piano XY, si congiunge con il polo della sfera opposto al “punto di appoggio”, e si individua il punto in cui la opposto al “punto di appoggio”, e si individua il punto in cui la congiungente interseca la sfera.congiungente interseca la sfera.
Inte
rsezi
one s
ulla
sfe
ra d
i In
ters
ezi
one s
ulla
sfe
ra d
i R
iem
ann
Rie
mann
Coord. nel Coord. nel pianopiano
Proprietà di base: le proiezioni dei punti di un cerchio nel piano XY stanno su Proprietà di base: le proiezioni dei punti di un cerchio nel piano XY stanno su un pianoun piano
57Sfera di RiemannSfera di Riemann
Fit di un piano nello spazioFit di un piano nello spazio
Da Da minimizzareminimizzare
= autovettore di A con l’autovalore più = autovettore di A con l’autovalore più piccolopiccolo
Rag
gio
R
ag
gio
C
en
tro
Cen
tro
58Fit della traccia nello spazioFit della traccia nello spazio
Quando si esegue un fit nel piano, bisogna linearizzare l’equazione dell’elica nello spazio, per completare la procedura di fit.
t
tz CD
DrC
CttDz
12arcsin
2,tan
22
CurvaturaCurvaturaParametro di Parametro di
impatto impatto trasversotrasverso
59RisoluzioneRisoluzione
Importante: conoscere l’indeterminazione sulle proprietà della particella ricostruita (p, PID, vertice)
Ancora una volta, confronto con la simulazione
Confronto fra i parametri “veri” della traccia trovata e quelli ricostruiti con il fit Differenza assoluta ( Pvero – Pricostruito ) Differenza percentuale ( Pvero – Pricostruito ) / Pvero
Criterio di “accettabilità” di punti sbagliati: Entro che limiti un punto sbagliato “rovina” la risoluzione
dei parametri? E’ accettabile una quantità di punti sbagliati che non
modifica sensibilmente la risoluzione◊ …quando ciò non significa che la procedura di ricostruzione
vada rivista perchè troppo indeterminata
60Esempio: risoluzione parametriEsempio: risoluzione parametri
Dip angle () resolution (in mrad)
sigma = 3.69 0.01
Azimuthal angle () resolution (in mrad)
sigma = 4.71 0.01 pt resolution (in % of true value)
sigma = 13.4 0.3 %
61
Stand-alone tracking: results Stand-alone tracking: results (III)(III)
Transverse impact parameter resolution (in microns)
sigma = 79.7 0.1
Longitudinal impact parameter resolution (in microns)
sigma = 265.6 0.4
62SummarySummary
Strategia di analisi di eventi di collisione ad alta energia: Tracking detectors Algoritmi di Tracking
Track finding: Problema di Pattern Recognition
◊ Metodologie locali e globali di riconoscimento di tracce Valutazione: efficienza di tracking
Track reconstruction: Fit non lineare in presenza di campi magnetici
◊ Splitting della procedura in più step Valutazione: risoluzione dei parametri di traccia