[論文レビュー] Variational Autoencoders for Generative Modelling of Water Cherenkov Detectors

Abhishek Abhishek, Wojciech Fedorko+3 more|arXiv (Cornell University)|Nov 1, 2019

Neutrino Physics Research参考文献 19被引用数 5

ひとこと要約

本稿では、ニュートリノ実験における模擬水チェレンコフ検出器データの生成的分布をモデル化するために、変分オートエンコーダー（VAEs）とノーマライジングフロー（NFs）を用いる手法を提案する。VAEに基づく半教師ありアプローチは、CP対称性破れ探索におけるバックグラウンド低減に不可欠な電子およびガンマ粒子イベントの区別において、最先端の性能を達成するとともに、合成データ生成と潜在空間内挿を可能にする。

ABSTRACT

Matter-antimatter asymmetry is one of the major unsolved problems in physics that can be probed through precision measurements of charge-parity symmetry violation at current and next-generation neutrino oscillation experiments. In this work, we demonstrate the capability of variational autoencoders and normalizing flows to approximate the generative distribution of simulated data for water Cherenkov detectors commonly used in these experiments. We study the performance of these methods and their applicability for semi-supervised learning and synthetic data generation.

研究の動機と目的

• CP対称性破れおよび陽子崩壊探索における主要なバックグラウンドを占める電子およびガンマ粒子イベントの区別という課題に対処すること。
• 次世代検出器（Hyper-KおよびNuPRISMなど）における実験的不確実性を軽減するデータ駆動型アプローチを、模擬データからの学習を通じて開発すること。
• 限られたラベル付きデータで分類性能を向上させるために、深層生成モデルを用いた半教師あり学習の可能性を検討すること。
• 検出器シミュレーションおよび解析に役立てるため、合成データ生成および潜在空間内挿の可能性を調査すること。

提案手法

• 16×40 mPMTアレイを備えた水チェレンコフ検出器幾何形状において、WCSimを用いて粒子種別（e⁻, μ⁻, γ）で300万イベントの模擬データを生成した。
• 畳み込みニューラルネットワークベースのVAEを採用し、平均場ガウス事後分布と等方的ガウス事前分布を用いて、検出器画像の潜在表現を学習した。
• ポストリアル近似の改善を目的としてノーマライジングフロー（プランル・フロー）を適用したが、標準VAEに比べて顕著な性能向上は観察されなかった。
• VAEの事前学習と、分類のための多層パーセプトロンの微調整を組み合わせた半教師ありモデルを訓練した。
• VAEの目的関数において、再構成には負の平均二乗誤差（MSE）損失、正則化にはカルバック・ライブラー距離を用いた。
• 特徴空間（方位角角およびエネルギー）におけるk近傍法を用いた潜在空間内挿を実施し、分離性および連続性を評価した。

実験結果

リサーチクエスチョン

• RQ1 変分オートエンコーダーは、ニュートリノイベントの水チェレンコフ検出器応答の複雑なデータ分布を効果的にモデル化できるか？
• RQ2 ノーマライジングフローを組み込むことで、標準VAEに比べて検出器シミュレーションデータに対するVAEの生成的モデリング性能が向上するか？
• RQ3 限られたラベル付きデータがある状況下で、半教師ありVAEベースのモデルは、完全に教師ありモデルに比べて電子およびガンマ粒子イベントの分類性能をどの程度向上できるか？
• RQ4 学習された潜在空間は、エネルギーおよび方向といった物理的イベント特性を反映する意味のある内挿を可能にするか？
• RQ5 VAEは、データ拡張およびシミュレーションに有用な現実的な合成検出器画像を生成できるか？

主な発見

• VAEは再構成画像において、位置、形状、サイズといったチェレンコフリングの主要な特徴を捉えているが、鋭さが低下し、暗黒ノイズのような微細構造は欠落している。
• 事前分布からの合成サンプルは、類似した再構成アーティファクトと時々発生する歪みを示しており、事前分布と事後分布の乖離が示唆される。
• 潜在空間におけるエネルギー軸に沿った線形内挿は滑らかな遷移を生じるが、方位角角軸に沿った内挿はそうではないため、角度特徴の非線形的または非連続的表現である可能性が示唆される。
• 半教師ありVAE-MLPモデルは、低データ環境下で完全に教師ありCNNを上回った：11,250件のラベル付きサンプルで、50%のe⁻信号効率におけるγバックグラウンド拒否率は77.6%に達し、CNNの76.4%を上回った。
• 45,000件のラベル付きサンプルで、半教師ありモデルは80%のe⁻信号効率におけるγバックグラウンド拒否率を55.9%に達成し、完全に教師ありCNN（49.9%）を上回った。また、尤度比法では以前は不可能であったγ対e⁻分類が可能になった。
• ノーマライジングフローは、標準VAEに比べて顕著な改善をもたらさなかったため、この設定ではポストリアル近似のボトルネックが主な制限要因ではない可能性が示唆された。