[논문 리뷰] Implicit Neural Representation as a Differentiable Surrogate for Photon Propagation in a Monolithic Neutrino Detector

Minjie Lei, K. V. Tsang외 7명|arXiv (Cornell University)|2022. 11. 02.

Astrophysics and Cosmic Phenomena인용 수 5

한 줄 요약

이 논문은 단일체 중성미자 검출기에서 광자 전파를 위한 유연하고 확장 가능한 대체 모델로, 주기적 활성화 함수를 갖는 신경 은닉 표현인 SIREN을 제안한다. 광자 라이브러리를 3차원 장면으로 모델링함으로써 SIREN은 기존의 검색 테이블에 비해 수개의 매개변수로도 높은 정확도를 달성하며, 경사 하강법을 통한 실제 데이터 기반의 종단 간 최적화를 가능하게 하고, 확률 기반 재구성에 유연한 모델링을 제공함으로써 대규모 LArTPC 시뮬레이션에서의 확장성 문제와 시뮬레이션-데이터 불일치 문제를 해결한다.

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.

연구 동기 및 목표

• 검출기 부피와 해상도에 따라 제곱적으로 증가하는 기존 광자 검색 테이블의 확장성과 메모리 제약 문제를 해결한다.
• 고비용 재생산으로 인해 검색 테이블과 다항식 피팅이 실제 검출기 데이터에 직접 校정될 수 없는 문제를 해결한다.
• 광자 전파의 유연한 모델링을 통해 기울기 기반 최적화와 향상된 시뮬레이션 정밀도를 지원한다.
• 실제 검출기 반응과의 불일치를 줄이기 위해 모델을 실제 데이터에 직접 조정할 수 있도록 한다.
• 후속 응용 분야(예: 확률 기반 재구성)를 지원하는 확장 가능하고 매개변수 효율적인 액체 헬륨 시간 투과실(LArTPCs)의 광시야각에 대한 대체 모델을 개발한다.

제안 방법

• SIREN(사인 활성화 함수를 갖는 신경망)을 사용하여 광자 라이브러리를 검출기 위치에서 광자 수신 확률로 매핑하는 연속적인 3차원 함수로 은닉 표현한다.
• ICARUS 검출기에서 사전 계산된 광자 검색 테이블을 기반으로 SIREN 모델을 훈련시키며, 복합체 손실을 사용하여 수용도 맵의 고정밀 재구성을 보장한다.
• SIREN의 유연성 덕분에 실제 검출기 데이터를 사용한 기울기 기반 모델 매개변수 최적화를 수행함으로써 현장 校정을 가능하게 한다.
• SIREN 모델을 실제 재구성 파이프라인에서 유연한 가능도 함수로 적용하여 광자 신호의 통계적 모델링을 향상시킨다.
• 전체 광자 라이브러리를 재생산하지 않고도 실제 트랙 데이터의 일부에 대해 SIREN 모델을 미세 조정하여 시뮬레이션-데이터 불일치를 보정한다.
• 네트워크가 공간 기울기를 분석적으로 계산할 수 있는 능력을 활용하여 후속 물리 분석에 추가적인 물리적 통찰을 제공한다.

실험 결과

연구 질문

• RQ1 SIREN과 같은 신경 은닉 표현이 기존 검색 테이블에 비해 수개의 매개변수로도 광자 수용도 맵의 고정밀 재구성을 달성할 수 있는가?
• RQ2 기존 검색 테이블과 달리, SIREN이 실제 검출기 데이터에 종단 간 훈련을 통해 시뮬레이션-데이터 불일치를 줄일 수 있는가?
• RQ3 SIREN의 유연성 덕분에 기울기 기반 최적화가 실제 데이터 기반 모델 정확도 향상에 효과적으로 기여하는가?
• RQ4 SIREN이 향후 대규모 LArTPC 검출기에서 광자 전파의 확장 가능하고 고해상도 모델링을 지원할 수 있는가?
• RQ5 SIREN 기반 모델을 사용하여 데이터 재구성에 활용할 수 있는 광자 통계의 유연한 가능도 함수를 구성할 수 있는가?

주요 결과

• SIREN는 원본 검색 테이블에 비해 수개의 매개변수로도 광자 수용도 맵을 고정밀도로 재구성하며, 대규모 검출기의 확장 가능한 모델링을 가능하게 한다.
• 전체 검색 테이블로 훈련된 SIREN 모델이 실제 트랙 데이터로 미세 조정된 결과, 동일한 데이터에서 처음부터 훈련된 모델과 유사한 성능을 보이며 실제 데이터 기반 효과적인 校정을 입증한다.
• SIREN 모델은 훈련 데이터의 통계적 노이즈를 학습하여 복합체화로 인한 픽셀화 효과로 인한 원본 검색 테이블보다 낮은 오차를 기록한다.
• SIREN의 유연성 덕분에 실제 데이터 기반 기울기 기반 최적화가 가능하며, 이는 기존 검색 테이블이 이산적이고 비유연한 성격을 지닌 데서는 불가능한 기능이다.
• SIREN 모델은 광자 통계를 위한 유연한 가능도 함수를 구성할 수 있으며, 이는 확률 기반 재구성 파이프라인에서 물리 분석의 정밀도를 향상시키는 데 활용될 수 있다.
• 모델 재생산의 계산 부담을 줄이며, 전체 라이브러리를 재계산하는 대신 조정을 통해 校정을 수행함으로써 효율성을 높인다.