[論文レビュー] Cosmic Background Removal with Deep Neural Networks in SBND

SBND Collaboration, R. Acciarri+129 more|arXiv (Cornell University)|Dec 2, 2020

Neutrino Physics Research参考文献 26被引用数 7

ひとこと要約

本論文は、宇宙線粒子またはニュートリノ反応由来のものと分類するための畳み込みニューラルネットワーク（CNN）を用いた深層学習ベースのセマンティックセグメンテーション手法を提案する。SBND検出器の液体アルゴン時間投影連合器（LArTPC）画像を対象とし、シミュレーションデータで学習することで、電子ニュートリノの電荷現在反応イベントの識別効率が91.5%、宇宙線のみのイベントの排除率が91.1%に達し、地上型LArTPC実験におけるバックグラウンド抑制の強力な可能性を示している。

ABSTRACT

In liquid argon time projection chambers exposed to neutrino beams and running on or near surface levels, cosmic muons and other cosmic particles are incident on the detectors while a single neutrino-induced event is being recorded. In practice, this means that data from surface liquid argon time projection chambers will be dominated by cosmic particles, both as a source of event triggers and as the majority of the particle count in true neutrino-triggered events. In this work, we demonstrate a novel application of deep learning techniques to remove these background particles by applying semantic segmentation on full detector images from the SBND detector, the near detector in the Fermilab Short-Baseline Neutrino Program. We use this technique to identify, at single image-pixel level, whether recorded activity originated from cosmic particles or neutrino interactions.

研究の動機と目的

• 地上型液体アルゴン時間投影連合器（LArTPC）における宇宙線バックグラウンドの課題に対処すること。このバックグラウンドはトリガーとイベント活動を支配している。
• LArTPC画像における宇宙線由来とニュートリノ由来の信号を区別するピクセルレベル分類手法を開発すること。
• LArTPCデータにおけるセマンティックセグメンテーションに深層ニューラルネットワークを適用する可能性を示すことにより、イベント選別とバックグラウンド抑制の向上を図ること。
• フェルミラブのショートベースラインニュートリノ（SBN）計画の解析パイプラインへの深層学習の統合基盤を提供すること。

提案手法

• 本手法は、シミュレーテッドSBND LArTPC画像を用いて学習するU-Netに類似たエンコーダ・デコーダ型畳み込みニューラルネットワークアーキテクチャを採用し、ピクセルレベルでのセマンティックセグメンテーションを実現する。
• 入力データは、ニュートリノおよび宇宙線イベントのシミュレーションから得られた3本のワイヤープラン（2本の誘導平面と1本の垂直ワイヤープラン）の2次元投影から構成される。
• ネットワークは、シミュレーションから生成された真値ラベルを用いて、各ピクセルが宇宙線粒子、ニュートリノ反応、またはバックグラウンドノイズに属するかどうかを分類するように学習する。
• 推論段階では、マルチプレーン整合性チェックを適用する：各平面で少なくとも100ピクセルがニュートリノタグ付きで、かつ3平面間の平均Y座標差が≤50ピクセルである必要がある。
• 選別効率とバックグラウンド排除率という指標を用いてモデルを評価し、さまざまなニュートリノ反応タイプにおける性能を評価する。
• 学習には、検出器シミュレーションから得た合成データを用い、一般化を高めるためにデータ拡張とクラスバランス処理を組み合わせる。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、LArTPC画像におけるピクセルレベルで、宇宙線由来の活動とニュートリノ由来の活動を効果的に区別できるか？
• RQ2 セマンティックセグメンテーションモデルは、宇宙線のみのイベントを除外しつつ、ニュートリノ反応イベントをピクセルレベルで効果的に同定できるか？
• RQ3 電子ニュートリノの電荷現在反応やミュオンニュートリノの電荷現在反応、中性子現在反応などのさまざまなニュートリノ反応タイプにおいて、分類精度にどのような差が生じるか？
• RQ4 モデルの予測を、実用的な解析ワークフローで宇宙線バックグラウンドを効果的にフィルタリングするのにどの程度活用できるか？
• RQ5 マルチプレーン整合性基準を組み込むことで、ノイズや不完全な信号が存在する状況下でも、イベント選別の信頼性がどの程度向上するか？

主な発見

• 最良のモデルは、電子ニュートリノの電荷現在反応（νₑ CC）イベントに対して91.5%の選別効率を達成し、優れた識別能力を示した。
• ミュオンニュートリノの電荷現在反応（νₘu CC）イベントでは、選別効率が78.6%にとどまり、長距離を走るミュオンの軌跡が宇宙線ミュオンに類似しているという課題が顕在化した。
• 中性子現在（NC）イベントは、エネルギー損失が少なく、活性ピクセル数も少ないため、最も低い効率（37.3%）を示し、宇宙線バックグラウンドと区別するのが難しいことが明らかになった。
• モデルは、宇宙線のみのイベントを91.1%の割合で排除し、バックグラウンドトリガーの顕著な抑制を実現した。
• 単純なカット（各平面で少なくとも100ピクセルのニュートリノタグ付きピクセル、かつY座標差の平均が≤50ピクセル）を適用することで、宇宙線のみのイベントは10分の1にまで削減され、非バックグラウンドピクセルのラベル付け精度は95%を維持した。
• 結果として、地上型LArTPC実験（SBNDなど）におけるバックグラウンド抑制に、深層学習ベースのピクセルレベルセグメンテーションが実用的かつ効果的であることが示された。