[論文レビュー] Deep-Learning-Based Kinematic Reconstruction for DUNE

Junze Liu, Jordan Ott+5 more|arXiv (Cornell University)|Dec 11, 2020

Neutrino Physics Research参考文献 22被引用数 6

ひとこと要約

本論文は、DUNEの液体アルゴンタイムプロジェクションチェンバーディスプレイ（LArTPC）におけるニュートリノ相互作用のエンドツーエンドの運動的再構成のための2次元および3次元畳み込みニューラルネットワーク（CNN）を提案する。本手法は、検出器の画像から直接、粒子の進行方向、エネルギー、ニュートリノエネルギーを回帰的に推定する。モデルは電子に対して65%、ミューオンに対して50%の角分解能の向上を達成し、従来手法と比較してエネルギー分解能が31%向上し、複雑でノイズの多い検出器環境下でも優れた性能を示している。

ABSTRACT

In the framework of three-active-neutrino mixing, the charge parity phase, the neutrino mass ordering, and the octant of $θ_{23}$ remain unknown. The Deep Underground Neutrino Experiment (DUNE) is a next-generation long-baseline neutrino oscillation experiment, which aims to address these questions by measuring the oscillation patterns of $ν_μ/ν_e$ and $\barν_μ/\barν_e$ over a range of energies spanning the first and second oscillation maxima. DUNE far detector modules are based on liquid argon TPC (LArTPC) technology. A LArTPC offers excellent spatial resolution, high neutrino detection efficiency, and superb background rejection, while reconstruction in LArTPC is challenging. Deep learning methods, in particular, Convolutional Neural Networks (CNNs), have demonstrated success in classification problems such as particle identification in DUNE and other neutrino experiments. However, reconstruction of neutrino energy and final state particle momenta with deep learning methods is yet to be developed for a full AI-based reconstruction chain. To precisely reconstruct these kinematic characteristics of detected interactions at DUNE, we have developed and will present two CNN-based methods, 2-D and 3-D, for the reconstruction of final state particle direction and energy, as well as neutrino energy. Combining particle masses with the kinetic energy and the direction reconstructed by our work, the four-momentum of final state particles can be obtained. Our models show considerable improvements compared to the traditional methods for both scenarios.

研究の動機と目的

• DUNEのLArTPCにおける完全なAIベースの再構成チェーンの開発を目的とし、運動的パrameter推定のための従来の手作業で行う必要のあるアルゴリズムを回避すること。
• 検出器の非線形性、重複する軌跡、不純物由来のエネルギー損失を伴う状況下でも、ニュートリノエネルギー、最終状態粒子の進行方向および運動量の再構成を困難とする課題に対処すること。
• 2次元および3次元ピクセルマップにおける空間的および電荷情報の活用により、従来のクラスタリングおよびフィッティング手法を上回る角分解能およびエネルギー分解能の向上を実現すること。
• 深層学習が、手作業で設計された再構成アルゴリズムよりも、シミュレートされた検出器応答から複雑な物理的関係をより効果的に抽出できることを検証すること。

提案手法

• 本手法は、LArTPCの3本のワイヤープラン（U、V、Z）から得られる2次元および3次元ピクセルマップを用い、各ピクセルはヒット位置（ワイヤ番号およびタイムタック）と電荷を符号化する。
• 2次元回帰CNNは、イベントの3つの直交的ビュー（U、V、Z）を処理し、シミュレートされたDUNEイベントで学習することで、粒子のエネルギーおよび進行方向を再構成する。
• 3次元回帰CNNは、ボリュームピクセルマップ（100×100×100）を用い、ヒットの空間的分布を直接モデル化することで、3次元的な進行方向再構成を向上させる。
• ネットワークは、モンテカルロシミュレーションからの真値運動的パrameterを用いた教師あり学習で訓練され、進行方向およびエネルギー予測の平均二乗誤差を最適化する。
• ハイパーパramータは、SHERPAハイパーパramータ最適化フレームワークを用いて最適化され、エネルギーおよび進行方向回帰タスクの性能向上を図る。
• 再構成におけるエネルギー依存のバイアスは、0–6 GeVの範囲で一様になるように、トレーニングデータ分布を再重み付けすることで緩和される。

実験結果

リサーチクエスチョン

• RQ1 3次元畳み込みニューラルネットワークは、従来のクラスタリングおよびフィッティング手法よりも、LArTPCイベントにおける粒子の進行方向再構成で優れた性能を示せるか？
• RQ2 エンドツーエンドの深層学習は、従来のカロリメータ法およびトラック長法と比較して、ニュートリノおよび最終状態レプトンのエネルギー分解能をどの程度向上させられるか？
• RQ3 複数回のコッホラーブレーキング方程式を明示的に実装しない状況下でも、CNNは、非閉じられたミューオン散乱角度と欠落エネルギーの関係を効果的に学習できるか？
• RQ4 異なるニュートリノエネルギー範囲およびイベントトポロジーにおいて、2次元CNNと3次元CNNの運動的変数再構成性能はどのように比較されるか？
• RQ5 トレーニングデータ分布の再重み付けは、再構成されたニュートリノおよびレプトンエネルギーにおけるエネルギー依存バイアスを低減できるか？

主な発見

• 3次元CNNは、電子イベントに対して13.3°、ミューオンイベントに対して4.8°の角分解能を達成し、従来手法（それぞれ37.6°および9.5°）と比較して65%および50%の向上を示した。
• 閉じたνμCCイベントでは、CNNによりRMSエネルギー分解能が0.191から0.101に低下し、従来のレプトン+ハドロンエネルギー法と比較して31%の改善が得られた。
• 非閉じたνμCCイベントでは、エネルギー分解能がRMS 0.200から0.158に改善され、明示的な散乱物理を考慮しない状況下でも欠落エネルギーを効果的にモデル化できることを示した。
• 電子エネルギー再構成のバイアスは、-0.057（カロリメータ法）から0.007に低下し、バイアスの大きさが8倍改善された。
• 2次元回帰CNNは、トラック長法と同等の平均および分解能（ミューオンで4%、電子で5%）を達成しながらも、エネルギー再構成分布をより狭く抑え、再構成失敗に対してより高いロバスト性を示した。
• 再重み付けされたトレーニング分布により、エネルギー依存バイアスが低減され、RMSがわずかに0.116に上昇したが、依然として従来手法を上回る分解能およびバイアス性能を示した。