综述：粒子轨迹重建方法和硬件加速器的十年进展与趋势综述

《Radiation Physics and Chemistry》：A decade of trends and progress in methods and hardware accelerators for particle track reconstruction: a systematic review

本综述系统回顾了2014-2023年间粒子轨迹重建领域的方法学创新与硬件加速技术应用。文章重点分析了机器学习（ML）等三类重建方法在应对高能物理实验中海量数据挑战中的突破，详细探讨了图形处理器（GPU）和现场可编程门阵列（FPGA）等硬件加速器如何显著提升重建效率。通过对77篇核心文献的梳理，为高能物理实验数据处理提供了重要的技术发展路径参考。

　　

粒子轨迹重建是理解高能物理实验中粒子碰撞产物的核心环节。带电粒子在穿越跟踪探测器（如时间投影室、漂移室等）时会留下三维点信号（hit），将这些信号准确归属并重建为原始粒子轨迹的过程，对确定粒子类型、测量能量动量至关重要。

引言

随着对撞机能量提升至TeV量级，探测器每次事件可产生数千个信号点，其中还混杂着探测器噪声引发的伪信号。传统重建方法（如卡尔曼滤波器）在应对高亮度环境下的数据洪流时，计算时间随数据堆积（pileup）呈指数增长。这推动了自适应混合方法与硬件加速技术的融合发展。

方法学进展

现有方法可分为全局法与局部法。全局法将全部信号点信息平等处理，采用聚类算法但效率较低；局部法则从短轨迹片段（种子）出发，通过种子生成、轨迹构建、清洗与选择四步构建完整轨迹。近年来，机器学习算法被成功引入轨迹模式识别环节，显著提升了复杂背景下的重建精度。

硬件加速实践

图形处理器（GPU）凭借大规模并行架构，在轨迹拟合环节展现出巨大优势。现场可编程门阵列（FPGA）则因低延迟特性被广泛应用于前端实时处理。研究表明，硬件加速可使重建时间减少50%以上，但需解决软件兼容性与算法适配等集成挑战。

未来展望

下一代高亮度实验（如HL-LHC）对重建速度提出更高要求。需开发能协同优化算法与硬件的专用架构，同时探索新型探测器材料以减少多重库仑散射效应的影响。量子计算等新兴技术可能为超大规模轨迹重建提供新范式。

挑战与局限

当前主要挑战在于平衡重建精度与计算资源消耗。硬件快速迭代要求算法持续优化，而高数据速率下的实时处理仍需突破。不同实验环境（如强子对撞机与宇宙线观测）的差异性也要求方法具备更强适应性。

结论

过去十年间，粒子轨迹重建领域通过方法创新与硬件加速的深度融合，有效应对了数据复杂度激增的挑战。未来需进一步强化跨学科合作，推动算法与计算架构的协同进化。