[論文レビュー] Towards online triggering for the radio detection of air showers using deep neural networks

Florian Führer, Tom Charnock+2 more|arXiv (Cornell University)|Sep 6, 2018

Astrophysics and Cosmic Phenomena参考文献 1被引用数 5

ひとこと要約

本論文は、単一アンテナデータを用いた電波空中線シャワー検出のための深層ニューラルネットワーク（DNN）ベースのオンライントリガーを提案し、従来のしきい値手法と比較して誤検出を顕著に低減する。DNNは72%の分類精度を達成し、誤検出率は0.2%未満に抑えられ、GRANDのような超高エネルギー宇宙線およびニュートリノ検出実験におけるリアルタイムで低遅延なトリガーの実現可能性を示している。

ABSTRACT

The detection of air-shower events via radio signals requires to develop a trigger algorithm for a clean discrimination between signal and background events in order to reduce the data stream coming from false triggers. In this contribution we will describe an approach to trigger air-shower events on a single-antenna level as well as performing an online reconstruction of the shower parameters using neural networks.

研究の動機と目的

• 電波空中線シャワー検出のためのリアルタイムでオンラインのトリガリングシステムを、深層学習を用いて開発すること。
• 人為的トランジェントノイズが支配する電波データストリームにおける誤警報率を低減すること。
• 低エネルギー空中線シャワーの検出を可能にするために、より低いトリガリングしきい値を実現すること。
• GRANDのような大規模アレイに適したスケーラブルなソリューションとして、単一アンテナDNNベースのトリガーの実現可能性を示すこと。
• 今後のオンラインシャワー再構築パイプラインとの統合に向けた基盤を構築すること。

提案手法

• 3層の畳み込み層、マックスプーリング、64ユニットの全結合層を備えたDNNを、GRANDに類似した35×35アンテナアレイからのシミュレーテッド電圧トレースを用いて学習する。
• ネットワークは、15万件の時間トレース（半数がシミュレーテッド空中線シャワー信号、半数がノイズのみ）を用いて、カテゴリークロスエントロピー損失関数で学習される。
• 入力データは、アンテナ応答関数と畳み込まれた3成分の電圧トレースからなり、15 μVのガウスノイズで汚染され、50–200 MHzにフィルタリングされている。
• DNNは、事前のテンプレートマッチングを必要とせず、直接生アンテナデータから電波信号を検出できるように設計されており、自己トリガーが可能である。
• 最小限の実データを用いて、トレーニング済みDNNを実世界のノイズ条件に適応させるために、トランスファー学習が活用されている。
• アーキテクチャ自体が偏光情報を組み込んでいるため、信号とトランジェントノイズの区別が向上している。

実験結果

リサーチクエスチョン

• RQ1 深層ニューラルネットワークは、単一アンテナレベルでリアルタイムに、空中線シャワーの電波信号と背景ノイズを効果的に区別できるか？
• RQ2 従来のしきい値トリガーと比較して、DNNトリガーの誤検出率と真正陽性検出率はどのように異なるか？
• RQ3 シミュレーテッドデータで学習したDNNが、トランジェント干渉を含む実世界のノイズにどの程度一般化できるか？
• RQ4 DNNベースのトリガーは、誤警報をさらに低減するために、マルチレベルトリガリングシステムに統合可能か？
• RQ5 次世代の電波アレイにおける大規模でリアルタイムな展開を想定した場合、DNNトリガーの計算コストは現実的か？

主な発見

• DNNベースのトリガーは72%の総合分類精度を達成し、60 μVのしきい値で動作する従来のしきい値トリガーの69%を上回った。
• 誤検出率は4%から0.2%未満に低下し、誤警報抑制において10倍以上の改善が得られた。
• 真正陽性検出率は42%から43%にわずかに向上し、厳密なフィルタリングにもかかわらず信号回復が改善された。
• DNNの性能は現実のノイズに対して頑健であり、特に最小限の実データを用いたトランスファー学習で微調整された場合に顕著に向上した。
• 現代の低消費電力MLハードウェアが推論負荷を効率的に処理できるため、DNNトリガーはリアルタイム利用に計算的に実現可能である。
• 本手法により、より低いトリガリングしきい値が可能となり、低エネルギー空中線シャワーに対する感度が向上し、統計的検出力が向上した。