AlphaHits把径迹重建扩到整场事例：不设横动量门槛，TrackML得分0.959
核心概要
高亮度大型强子对撞机的径迹重建通常只保留横动量较高的带电粒子，横动量门槛会丢掉九成以上的粒子。AlphaHits-TrackFormer改为直接处理完整TrackML事例中的像素与条带探测器命中，不对目标径迹设横动量选择，在820个测试事例上取得0.959的TrackML得分。同一框架经径迹预训练后联合微调，用共享的命中级表示同时输出径迹、喷注、喷注味和事例级观测量，Higgs事例分类AUC达0.944。
深度剖析
AlphaHits-TrackFormer把带电粒子径迹重建从高横动量子集扩展到完整事例的全部可重建粒子，输入覆盖像素与条带探测器的全部命中。 此前的径迹研究常对目标径迹施加约1 GeV的横动量门槛，而这一门槛会切掉九成以上的带电粒子；HEPTv2等端到端方案只用像素命中并限定在较高横动量。 在820个TrackML测试事例上，对全部可重建径迹统一评估得到0.959的TrackML得分，同一模型在横动量高于1 GeV的径迹上为0.981。
重建分两级完成：全局Transformer为每个命中预测离散径迹参数，局部精修器再消解剩余的径迹身份歧义。 全局阶段把径迹参数按横向动量倒数、方位角和赝快度分箱，命中落入同一token即构成候选径迹，但相邻分箱的碎片和多个粒子共用token的情况仍会留下歧义。 单独使用18层Tracker时得分为0.844，加入电荷感知预处理后升到0.880，再经局部Refiner处理全部候选中心后达到0.959；学习到的Gate在只精修56%候选中心时仍保持0.959。
AlphaHits在径迹预训练的主干上联合训练九个任务头，从同一组命中级表示一次性输出径迹、喷注及其味、缺失横向动量、轻子和事例类别。 此前的HiggsFormer只做单任务分类，且只使用内层径迹命中；AlphaHits把同一主干扩展到多任务重建与分类。 在无堆积的硬散射事例上，仅用硅命中时Higgs事例分类AUC为0.932，加入量能器塔后为0.944；同一批事例上，使用Delphes对象的Particle Transformer基线在仅径迹时AUC为0.877，径迹加量能器时为0.924。
启示与展望
已展示的范围是TrackML模拟事例上的完整带电粒子径迹重建，以及无堆积硬散射事例上的多任务重建与分类；多任务模型尚未在高堆积事例上评估。
多任务AlphaHits目前只在无堆积的硬散射事例上评估，扩展到完整高堆积事例仍是下一步；学习曲线显示模型仍受训练数据统计量限制，辅助目标的消融与推理延迟优化也留待后续。