[論文レビュー] Development of a Machine Learning Based Analysis Chain for the Measurement of Atmospheric Muon Spectra with IceCube

Tomasz Fuchs|arXiv (Cornell University)|Jan 15, 2017

Astrophysics and Cosmic Phenomena被引用数 5

ひとこと要約

本論文では、アイスカウブ・ニュートリノ検出器における高エネルギー大気ミューオンスペクトルを測定するための機械学習ベースの解析チェーンを提示する。mRMRを用いた特徴選択とランダムフォレスト分類器を用い、高エネルギーミューオンをミューオンバンドルから分離し、TRUEEソフトウェアによるアンフォールディングを適用して、10⁴から10⁶ GeVの範囲における表面ミューオンエネルギースペクトルを再構築した。その結果、理論的予測および先行研究と整合性を示した。

ABSTRACT

High-energy muons from air shower events detected in IceCube are selected using state of the art machine learning algorithms. Attributes to distinguish a HE-muon event from the background of low-energy muon bundles are selected using the mRMR algorithm and the events are classified by a random forest model. In a subsequent analysis step the obtained sample is used to reconstruct the atmospheric muon energy spectrum, using the unfolding software TRUEE. The reconstructed spectrum covers an energy range from $10^4\\,$GeV to $10^6\\,$GeV. The general analysis scheme is presented, including results using the first year of data taken with IceCube in its complete configuration with $86$ instrumented strings.

研究の動機と目的

• アイスカウブの完全な86ストリング構成からのデータを用いて、高エネルギー大気ミューオンスペクトルを測定すること。
• 空間分解能が限られているため、低エネルギーミューオンバンドルと高エネルギーミューオンを区別する課題を克服すること。
• 高次元データにおける特徴選択とイベント分類のためのスケーラブルでアルゴリズム的なアプローチを開発すること。
• パrametricバイアスを最小限に抑えるためにアンフォールディング技術を用いて表面ミューオンエネルギースペクトルを再構築すること。
• 特に高エネルギー域で、限られたシミュレーション統計がスペクトルの不確実性に与える影響を評価すること。

提案手法

• mRMRアルゴリズムが、多数の再構築済みイベント特徴から、信号（HEミューオン）とバックグラウンド（低エネルギーバンドル）を区別するのに最も関連性が高く、冗長性が低い30個の特徴を選択する。
• ランダムフォレスト分類器がこれらの特徴を用い、イベントが高エネルギーミューオンである可能性を示す分類スコア（S = T₊/T）を割り当てる。
• スコア分布を用いて、信号とバックグラウンドのイベントをカットベースで分離可能であり、効率と純度の指標を用いて性能を評価する。
• 再構築された高エネルギーミューオンサンプルを用い、TRUEEソフトウェアによるアンフォールディングを実施し、検出器応答を正則化された尤度推定により逆転して表面エネルギースペクトルを再構築する。
• 応答行列Aは、シミュレーテッドイベントから導出され、dE/dxとイベント深さを用いて、検出器に到達するまでのエネルギー損失を考慮して表面エネルギーを再構築する。
• 最終的なスペクトルは可視性を高めるためにE³倍され、理論的予測および先行するアイスカウブ結果と比較される。

実験結果

リサーチクエスチョン

• RQ1 空間分解能が限られているアイスカウブにおいて、限られた空間分解能の下でも機械学習が高エネルギーミューオンとミューオンバンドル背景を効果的に分離できるか？
• RQ2 この分類タスクにおいて、高次元イベントデータから最適な特徴を選択するためにmRMRアルゴリズムはどの程度の性能を示すか？
• RQ3 シミュレーション統計の不確実性が、特に高エネルギー域（E > 10⁵ GeV）で再構築されたミューオンスペクトルの信頼性にどの程度影響を与えるか？
• RQ4 アンフォールディングに基づくスペクトル再構築は、理論的予測および過去のアイスカウブ測定とどの程度整合性を示すか？
• RQ5 特にE > 10⁵ GeVの領域において、シミュレーション統計の増加によりスペクトルの精度はどの程度向上すると期待できるか？

主な発見

• 機械学習ベースの解析により、高エネルギーミューオンがミューオンバンドル背景から明確に分離され、ランダムフォレストスコア分布において明確な分離が達成された。
• 再構築されたミューオンエネルギースペクトルは10⁴ GeVから10⁶ GeVの範囲をカバーしており、従来の成分とプロンプト成分の理論的予測と整合性を示した。
• スペクトルは、AP.78解析のグレー帯と重なりを示しており、先行するアイスカウブ結果と整合性を示した。
• 統計的不確実性は、特に高エネルギー域（E > 10⁵ GeV）で限られたシミュレーション統計に起因しており、シミュレーションで仮定されたE⁻²宇宙線スペクトルによるものである。
• 不確実性はリサンプリングを用いて推定され、高エネルギー域で大きな不確実性が確認されたが、これはより多くのシミュレーションが提供されれば減少すると予想される。
• 2012年以降に7倍のシミュレーションデータが得られれば、統計的不確実性が低減され、スペクトルの高エネルギー領域への延長が期待される。