[論文レビュー] Implicit Neural Representation as a Differentiable Surrogate for Photon Propagation in a Monolithic Neutrino Detector

Minjie Lei, K. V. Tsang+7 more|arXiv (Cornell University)|Nov 2, 2022

Astrophysics and Cosmic Phenomena被引用数 5

ひとこと要約

本論文では、周期的活性化関数を備えたニューラルインクリメント表現であるSIRENを、モノリシックニュートリノ検出器における光子伝搬の微分可能でスケーラブルなサーヴェイランスとして使用することを提案する。光子ライブラリを3次元シーンとしてモデル化することで、従来のルックアップテーブルと比較してパラメータ数が桁違いに少ないにもかかわらず高い精度を達成し、勾配降下を用いた実データ上のエンドツーエンド最適化が可能になり、微分可能な尤度ベースの再構成を可能にした。これにより、大規模なLArTPCシミュレーションにおけるスケーラビリティとシミュレーションデータの不一致という課題を克服した。

ABSTRACT

Optical photons are used as signal in a wide variety of particle detectors. Modern neutrino experiments employ hundreds to tens of thousands of photon detectors to observe signal from millions to billions of scintillation photons produced from energy deposition of charged particles. These neutrino detectors are typically large, containing kilotons of target volume, with different optical properties. Modeling individual photon propagation in form of look-up table requires huge computational resources. As the size of a table increases with detector volume for a fixed resolution, this method scales poorly for future larger detectors. Alternative approaches such as fitting a polynomial to the model could address the memory issue, but results in poorer performance. Both look-up table and fitting approaches are prone to discrepancies between the detector simulation and the data collected. We propose a new approach using SIREN, an implicit neural representation with periodic activation functions, to model the look-up table as a 3D scene and reproduces the acceptance map with high accuracy. The number of parameters in our SIREN model is orders of magnitude smaller than the number of voxels in the look-up table. As it models an underlying functional shape, SIREN is scalable to a larger detector. Furthermore, SIREN can successfully learn the spatial gradients of the photon library, providing additional information for downstream applications. Finally, as SIREN is a neural network representation, it is differentiable with respect to its parameters, and therefore tunable via gradient descent. We demonstrate the potential of optimizing SIREN directly on real data, which mitigates the concern of data vs. simulation discrepancies. We further present an application for data reconstruction where SIREN is used to form a likelihood function for photon statistics.

研究の動機と目的

• 検出器体積と解像度の増加に伴い2乗的に増大する従来の光子ルックアップテーブルのスケーラビリティとメモリ制限を解消すること。
• 高い再生成コストのため、従来のルックアップテーブルや多項式フィットが、実検出器データに対して直接キャリブレーションできないという問題を克服すること。
• 光子伝搬の微分可能なモデリングを可能にし、勾配ベースの最適化とシミュレーションの忠実度向上を実現すること。
• 実データへの直接的なモデルチューニングを可能にすることで、シミュレーションと実検出器応答の不一致を低減すること。
• 下流の応用（例：尤度ベースの再構成）をサポートできる、スケーラブルでパラメータ効率の良い液体アルゴン時間投影連合検出器（LArTPC）における光学可視性の代替モデルを開発すること。

提案手法

• SIREN（正弦活性化関数を備えたニューラルネットワーク）を用い、検出器位置から光子検出確率への連続的3次元関数として光子ライブラリを暗黙的に表現する。
• ICARUS検出器から事前に計算された光子ルックアップテーブルを用いてSIRENモデルを学習し、ボクセル単位の損失関数を用いて受容率マップの高精度再構成を確保する。
• SIRENの微分可能性を活用し、実検出器データを用いた勾配ベースのモデルパラメータ最適化を実施し、イン・サイトキャリブレーションを可能にする。
• SIRENモデルをデータ再構成パイプラインにおける微分可能な尤度関数として適用し、光子信号の統計モデリングを改善する。
• 完全な光子ライブラリを再生成することなく、実走査データのサブセットを用いてSIRENモデルをファインチューニングし、シミュレーションとデータの不一致を是正する。
• ネットワークが空間勾配を解析的に計算できることを活かし、下流の物理解析に追加の物理的洞察を提供する。

実験結果

リサーチクエスチョン

• RQ1 SIRENのようなニューラルインクリメント表現は、従来のルックアップテーブルと比較して著しく少ないパラメータ数で、光子受容率マップの高精度再構成を達成できるか？
• RQ2 SIRENは、従来のルックアップテーブルとは異なり、実検出器データ上でエンドツーエンドに学習可能であり、シミュレーションとデータの不一致を低減できるか？
• RQ3 SIRENの微分可能性は、実データ上でのモデル精度向上に向けた有効な勾配ベース最適化を可能にするか？
• RQ4 SIRENは、将来の大規模LArTPC検出器における光子伝搬のスケーラブルで高解像度のモデリングを可能にするか？
• RQ5 SIRENベースのモデルは、データ再構成における光子統計の微分可能な尤度関数を構築するために使用できるか？

主な発見

• SIRENは、元のルックアップテーブルと比較して桁違いに少ないパラメータ数で、大規模検出器向けのスケーラブルなモデリングを可能にする高精度な光子受容率マップ再構成を達成した。
• 全ルックアップテーブルで学習したSIRENモデルを実走査データでファインチューニングした場合、同じデータからスクラッチで学習したモデルと同等の性能を示し、実データ上での有効なキャリブレーションが可能であることを示した。
• SIRENモデルは、ボクセル化に起因するピクセル化効果によって生じる統計的ノイズを学習し、元のルックアップテーブルよりも低い誤差を達成した。
• SIRENの微分可能性により、従来の非微分可能で離散的な性質を持つルックアップテーブルでは不可能な実データ上での勾配ベース最適化が可能になった。
• SIRENモデルにより、光子統計の微分可能な尤度関数の構築が可能となり、尤度ベースの再構成パイプラインで利用することで物理解析の精度向上が可能になった。
• 本手法により、光子ライブラリの再生成にかかる計算負荷が低減された。キャリブレーションは再計算ではなくチューニングによって実施されるためである。