[論文レビュー] Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors

F. Drielsma, K. Terao+2 more|arXiv (Cornell University)|Feb 1, 2021

Particle physics theoretical and experimental studies参考文献 21被引用数 8

ひとこと要約

本論文は、ボクセルレベルの特徴抽出にスパース畳み込みネットワークを、粒子スーパ構造の形成にグラフニューラルネットワークを用いる、液体アルゴンタイムプロジェクションチェンバー（LArTPC）向けのエンドツーエンドで深層学習に基づく再構成チェーンを提示する。この手法は、スパースな3次元LArTPC画像において、粒子の種別（99.5％の正確性）、ポイント提案（0.7 cm以内に95.9％）、クラスタリング（純度98.7％、効率99.3％）で最先端の性能を達成しており、高積み重ねイベントに対してもスケーラブルであり、単一のGPUで1週間未満でエンドツーエンドで最適化可能である。

ABSTRACT

Recent inroads in Computer Vision (CV) and Machine Learning (ML) have motivated a new approach to the analysis of particle imaging detector data. Unlike previous efforts which tackled isolated CV tasks, this paper introduces an end-to-end, ML-based data reconstruction chain for Liquid Argon Time Projection Chambers (LArTPCs), the state-of-the-art in precision imaging at the intensity frontier of neutrino physics. The chain is a multi-task network cascade which combines voxel-level feature extraction using Sparse Convolutional Neural Networks and particle superstructure formation using Graph Neural Networks. Each algorithm incorporates physics-informed inductive biases, while their collective hierarchy is used to enforce a causal structure. The output is a comprehensive description of an event that may be used for high-level physics inference. The chain is end-to-end optimizable, eliminating the need for time-intensive manual software adjustments. It is also the first implementation to handle the unprecedented pile-up of dozens of high energy neutrino interactions, expected in the 3D-imaging LArTPC of the Deep Underground Neutrino Experiment. The chain is trained as a whole and its performance is assessed at each step using an open simulated data set.

研究の動機と目的

• 将来の実験（例：DUNE）による高積み重ね状態が生じる中で、LArTPCにおける粒子イメージングデータの複雑化に対処するため。
• 人的に調整された伝統的な再構成パイプラインに代わって、人為的介入を減らしスケーラビリティを向上させる、エンドツーエンドで微分可能な深層学習チェーンを導入するため。
• マルチタスクニューラルネットワークを用いて、ボクセルレベル分類から相互作用レベルクラスタリングまで、階層的かつ物理学にインスパイアされた特徴抽出を可能にするため。
• スパースな3次元LArTPC画像において、粒子の軌道、頂点、相互作用タイプの高精度再構成を実現するため。
• 全チェーンがエンドツーエンドで訓練・最適化可能であり、反復的で時間のかかる人的ソフトウェアチューニングへの依存を低減できるかを実証するため。

提案手法

• 本再構成チェーンは、活性（非ゼロ）ボクセルにのみスケーリングするスパース畳み込みを用いたスパースU-ResNetバックボーンを採用し、大規模な3次元LArTPC画像を効率的に処理する。
• セマンティックセグメンテーションとポイントプロポーザルは、共有エンコーダ・デコーダ構造を用いて並列に実行され、ポイントプロポーザルネットワーク（PPN）はマルチスケール畳み込みを用いて粒子の主要特徴を検出する。
• 密なクラスタリングは、粒子インスタンスをノード、粒子間関係をエッジとしてモデル化するグラフニューラルネットワークにより実行され、学習されたエッジスコアを用いてボクセルを一貫性のある粒子クラスタにグループ化する。
• シャワーと相互作用のクラスタリングは、2段階のグラフネットワークを用いて実現される：1つ目はシャワーの主粒子を特定し、2つ目は粒子を完全な相互作用にグループ化する。
• 因果構造を強制し、真値の隣接行列を用いてグラフ接続性をガイドすることで、物理学にインスパイアされたインダクティブバイアスをモデルに組み込む。
• 全システムは、125,280枚のシミュレーテッド3次元LArTPC画像からなるPILarNetデータセット上でエンドツーエンドに訓練され、各段階の性能は純度、効率、ARIなどの指標で評価される。

実験結果

リサーチクエスチョン

• RQ1 深層学習に基づくエンドツーエンド再構成チェーンは、従来のモジュール型で人的にチューニングされたパイプラインを上回る性能を発揮できるか？
• RQ2 マルチタスクで階層的なニューラルネットワークアーキテクチャは、高積み重ねLArTPC環境下でも粒子種別、頂点、相互作用をどれほど正確に再構成できるか？
• RQ3 物理学にインスパイアされたインダクティブバイアスは、スパース3次元画像における粒子再構成の一般化性能と正確性をどの程度向上できるか？
• RQ4 グラフニューラルネットワークは、ボクセルレベル特徴からシャワーなどの複雑な粒子スーパ構造を効果的にモデル化できるか？
• RQ5 99％以上の非活性ボクセルを含む大規模なLArTPCボリュームに適用した場合、このようなシステムの計算効率とスケーラビリティはどの程度か？

主な発見

• セマンティックセグメンテーションでは、トラックに対して97.7％のボクセル単位の正確性、シャワーに対して99.5％を達成し、δ線と他の粒子種別との混同は最小限に抑えられた。
• ポイントプロポーザルネットワークは、真値ポイントの68％を0.10 cm以内に特定し、95.9％を0.7 cm以内に特定した。これは、従来手法が68％の精度で0.73 cmの誤差を示すのと比べ、顕著に優れている。
• シャワークラスタリングでは、テストセットで純度98.7％、効率99.3％、平均調整ランダ指数（ARI）96.9％を達成した。
• 相互作用クラスタリングでは、DUNEニア検出器の高積み重ね条件において、純度99.1％、平均ARI 98.2％を達成し、密な相互作用に対しても高い耐性を示した。
• 全エンドツーエンドチェーンは、単一のNVIDIA V100 GPUで1週間未満で訓練・最適化された。これは、従来の人的チューニングパイプラインが数か月から数年を要するのと対照的である。
• 本システムは活性ボクセル数に比例して効率的にスケーリング可能であり、99％以上の非活性ボクセルを有する大規模LArTPC検出器（例：10トン級DUNEファーディテクター）に対しても適している。