전하 입자 추적 (Charged-particle tracking) — 희소한 검출기 측정값으로부터 궤적을 재구성하는 것 — 은 고에너지 물리학 (high-energy-physics)의 근본적인 추론 문제이자, 극심한 조합론적 모호성 (combinatorial ambiguity) 하에서의 학습을 보여주는 전형적인 사례입니다. 고휘도 대형 강입자 충돌기 (High-Luminosity Large Hadron Collider, HL-LHC)에서는 전례 없는 충돌 밀도에도 불구하고 추적이 정확하고 효율적으로 유지되어야 합니다. 그래프 신경망 (Graph neural networks)은 강력한 성능을 발휘하지만, 그래프 구축 및 처리 과정에서 상당한 비용이 발생하며, 트랜스포머 (transformer) 기반 접근 방식은 엔드투엔드 (end-to-end) 최적화를 방해하는 보조 단계들에 의존합니다. 이를 해결하기 위해, 우리는 하나의 학습 가능한 파이프라인을 통해 검출기 히트 (detector hits)로부터 트랙을 재구성하는 엔드투엔드 포인트 트랜스포머 (point-transformer) 아키텍처인 HEPTv2를 제시합니다. HEPTv2는 국소성 인식 포인트 인코더 (locality-aware point encoder)와 그래프 구축, 클러스터링 (clustering) 또는 필터링 (filtering) 없이 완전한 궤적을 예측하는 트랙 디코더 (track decoder)를 결합합니다. 인코더는 검출기 좌표 공간에서 국소 민감 해싱 (locality-sensitive hashing)을 사용하여 추적 관련 기하학적 구조를 보존하는 동시에 효율적인 국소 어텐션 (local attention)을 가능하게 합니다. 디코더는 인코더-디코더 공동 감독 (joint encoder-decoder supervision) 하에서 구획화된 디코딩 (sectorized decoding)과 직접적인 히트-투-트랙 (hit-to-track) 예측을 통해 모호성을 해결하며, 이를 통해 전체 파이프라인을 엔드투엔드로 최적화할 수 있습니다. TrackML에서 HEPTv2는 0.8%의 가짜율 (fake rate)에서 98.6%의 이중 다수결 추적 효율 (double-majority tracking efficiency)을 달성하였으며, NVIDIA A100 GPU에서 이벤트당 약 15ms의 추론 시간과 0.4GB의 피크 메모리 (peak memory)만을 요구합니다. 지연 시간 (Latency)과 메모리는 최대 $5 imes10^5$개의 히트가 있는 이벤트에 대해 대략 선형적으로 확장됩니다. HEPTv2는 정확도-지연 시간 트레이드오프 (accuracy-latency trade-off)에서 새로운 SOTA (state of the art)를 구축하였으며, 가장 강력했던 기존 트랜스포머 대비 효율성을 4.5% 향상시키고, 최적화된 그래프 기반 파이프라인 대비 1.12.2% 향상시키는 동시에, 지연 시간을 각각 7배 및 3852배 감소시켰습니다. 이러한 결과는 엔드투엔드 트랜스포머가 HL-LHC의 실시간 입자 재구성에 필요한 정확도와 효율성을 제공할 수 있음을 보여줍니다.