[論文レビュー] Perspectives on the Calibration of CNN Energy Reconstruction in Highly Granular Calorimeters

N. Akchurin, C. Cowden+3 more|arXiv (Cornell University)|Aug 24, 2021

Particle Detector Development and Performance参考文献 2被引用数 7

ひとこと要約

本稿は、不正確なキャリブレーション、バイアス、ノイズの下で高密度グリッド型コメータの畳み込みニューラルネットワーク（CNN）ベースのエネルギー再構築のキャリブレーションを調査する。入力の摂動に対してもCNN出力の応答が500 GeVにわたり線形のままであることが示され、乗算および加法的補正による後モデルキャリブレーションが信頼できる。ノイズとバイアスが閾値を超えると分解能の挙動は従来のものからノイズ主導型に移行する。

ABSTRACT

We present a study which shows encouraging stability of the response linearity for a simulated high granularity calorimeter module reconstructed by a CNN model to miscalibration, bias, and noise effects. Our results also show an intuitive, quantifiable relationship between these factors and the calibration parameters. We trained a CNN model to reconstruct energy in the calorimeter module using simulated single-pion events; we then observed the response of the model under various miscalibration, bias, and noise conditions that affected the model input. From these data, we estimated linear response models to calibrate the CNN. We also quantified the relationship between these factors and the calibration parameters by regression analysis.

研究の動機と目的

• 高密度グリッド型コメータにおけるCNNベースのエネルギー再構築のキャリブレーション可能性を、現実的な検出器の非理想性を想定して評価すること。
• 不正確なキャリブレーション、バイアス、ノイズの下でもCNN応答が線形のままであるかどうかを特定し、実用的なキャリブレーションが可能かどうかを検証すること。
• 入力摂動（不正確なキャリブレーション、ノイズ、バイアス）と分解能パラメータ（定数項、確率的項、ノイズ項）との関係を定量化すること。
• 分解能の挙動が従来のものからノイズ主導型に移行する臨界閾値を同定すること。
• 摂動入力データから導出された線形応答モデルを用いた、後モデルキャリブレーションのフレームワークを提供すること。

提案手法

• 2×2×4 cm³の分割を持つCu/Siコメータモジュールで、シミュレートされた単一パイオニオンイベントを用いてCNNを学習した。
• 式1.1：$\tilde{E_{ij}} = C_i E_{ij} + b + \epsilon_{ij}$ を用いて、入力セルエネルギーに制御された不正確なキャリブレーション、バイアス、ノイズを適用した。
• 調整可能なスケール因子 $s_c$、$s_\epsilon$、$s_b$ を用いて、式1.2および1.3で変換されたベータ分布（$B_{2,2}$）を用いて、不正確なキャリブレーション（$C$）とノイズ（$\epsilon$）を生成した。
• 現実的なしきい値を模倣し、信号の完全性を保つために0.6 MeVでゼロサプレッションを適用した。
• CNN出力に線形モデルをフィットしてキャリブレーションパラメータを推定し、回帰を用いて摂動と分解能パラメータの関係を特定した。
• 分解能挙動が変化する高ノイズ・高バイアス領域を特定する指標 $I_{ND}$（式2.3）を定義した。

実験結果

リサーチクエスチョン

• RQ1 不正確なキャリブレーション、バイアス、ノイズの摂動下でも、CNNエネルギー再構築応答は線形のままであるか？
• RQ2 CNN出力は、後モデル補正を用いて信頼性高くキャリブレーション可能か？
• RQ3 不正確なキャリブレーション、ノイズ、バイアスのスケール因子は、分解能パラメータ（定数項、確率的項、ノイズ項）にどのように影響するか？
• RQ4 分解能挙動が従来のものからノイズ主導型に移行する閾値は何か？
• RQ5 入力摂動とキャリブレーションパラメータとの間に、定量的かつ移植可能な関係が存在するか？

主な発見

• CNN応答は、学習データが125 GeVまでであったにもかかわらず、500 GeVまで線形のままであることが示され、強力な外挿能力を示している。
• 応答の線形性は、単純な乗算および加法的補正による後モデルキャリブレーションを可能にし、一様なエネルギー再構築を実現する。
• ノイズとバイアスが閾値を超えると（$s_\epsilon > 0.5$ または $s_b \geq 0.15$ かつ $s_\epsilon \geq 0.5$）、分解能はノイズ項 $\mathcal{N}$ に支配され、ポisson的挙動から定数分散挙動に移行することが示された。
• 高ノイズ・高バイアス領域では、定数項（$\mathcal{C}$）と確率的項（$\mathcal{S}$）が抑制され、$\mathcal{N}$ が主な分解能寄与要因となる。
• 分解能パラメータは予測可能な傾向を示す：$\log{\mathcal{C}}$、$\log{\mathcal{S}}$、$\log{\mathcal{N}}$ は $s_c$、$s_\epsilon$、$s_b$ に対して線形に依存し、$I_{ND}=1$ の領域で顕著な抑制が見られた。
• 本研究では、非信号効果（ノイズとバイアス）が分解能を顕著に劣化させる遷移領域を同定した。特にゼロサプレッションと組み合わせた場合に顕著である。