[논문 리뷰] Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors

F. Drielsma, K. Terao외 2명|arXiv (Cornell University)|2021. 02. 01.

Particle physics theoretical and experimental studies참고 문헌 21인용 수 8

한 줄 요약

이 논문은 액체 헬륨 시간 투과실 (LArTPCs)를 위한 엔드 투 엔드, 딥 러닝 기반 재구성 체인을 제안하며, 복소 컨볼루션 네트워크를 사용해 볼록 수준의 특징을 추출하고, 그래프 신경망을 사용해 입자 슈퍼구조를 형성한다. 이는 정의 어휘 분류(쇼어에 대해 99.5% 정확도), 점 제안(0.7cm 이내 95.9%), 클러스터링(순도 98.7%, 효율성 99.3%)에서 최신 기술 수준의 성능을 달성하며, 고중첩 이벤트에 대해서도 확장 가능하고, 단일 GPU에서 일주일 이내로 엔드 투 엔드 최적화가 가능하다.

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.

연구 동기 및 목표

• 미래의 실험(예: DUNE)에서 발생하는 고중첩 조건에서 입자 영상 데이터의 복잡성 증가에 대응하기 위해.
• 기존의 수작업으로 튜닝된 재구성 파이프라인을 대체하여 인간 간섭을 줄이고 확장성을 향상시키는 엔드 투 엔드, 미분 가능한 딥 러닝 체인을 도입하기 위해.
• 다중 작업 신경망을 사용해 볼록 수준의 분류에서 상호작용 수준의 클러스터링에 이르기까지 계층적이고 물리학에 기반한 특징 추출을 가능하게 하기 위해.
• 희박한 3D LArTPC 영상에서 입자 궤적, 충돌점, 상호작용 유형을 고정밀도로 재구성하기 위해.
• 전체 체인이 엔드 투 엔드로 훈련되고 최적화되어 반복적이고 시간이 오래 소요되는 수작업 소프트웨어 튜닝에 의존도를 줄일 수 있음을 입증하기 위해.

제안 방법

• 대규모 3D LArTPC 영상을 효율적으로 처리하기 위해, 활성(비영인) 볼록 수준에서만 확장되는 스파스 컨볼루션을 사용하는 스파스 U-ResNet 기반 아키텍처를 사용한다.
• 정의 어휘 분류와 점 제안은 공유된 인코더-디코더 아키텍처를 통해 동시에 수행되며, 다중 스케일 컨볼루션을 사용하는 점 제안 네트워크(PPN)가 주요 입자 특징을 탐지한다.
• 밀도 있는 클러스터링은 입자 인스턴스를 노드로, 입자 간 상호관계를 간선으로 모델링하는 그래프 신경망을 통해 수행되며, 학습된 간선 점수를 사용해 볼록을 일관된 입자 클러스터로 그룹화한다.
• 쇼어와 상호작용 클러스터링은 두 단계의 그래프 네트워크를 순차적으로 사용하여 달성되며, 하나는 쇼어의 주입 입자를 식별하고, 다른 하나는 입자를 전체 상호작용으로 그룹화한다.
• 인과적 구조를 강제하고 진짜 인접 행렬을 사용해 그래프 연결성을 안내함으로써 물리학에 기반한 인덕티브 바이어스를 모델에 통합한다.
• 전체 시스템은 125,280개의 시뮬레이션된 3D LArTPC 영상으로 구성된 PILarNet 데이터셋에서 엔드 투 엔드로 훈련되며, 순도, 효율성, ARI와 같은 지표를 사용해 각 단계에서 성능을 평가한다.

실험 결과

연구 질문

• RQ1 딥 러닝 기반 엔드 투 엔드 재구성 체인이 기존의 모듈식이고 수작업 튜닝된 파이프라인보다 LArTPC 이벤트 재구성에서 뛰어난 성능을 낼 수 있는가?
• RQ2 다중 작업 및 계층적 신경망 아키텍처가 고중첩 LArTPC 환경에서 입자 유형, 충돌점, 상호작용을 얼마나 잘 재구성할 수 있는가?
• RQ3 물리학에 기반한 인덕티브 바이어스가 희박한 3D 영상에서 입자 재구성의 일반화 능력과 정확도를 얼마나 향상시킬 수 있는가?
• RQ4 그래프 신경망이 볼록 수준의 특징에서 복잡한 입자 슈퍼구조(예: 쇼어, 상호작용)를 효과적으로 모델링할 수 있는가?
• RQ5 99% 이상의 비활성 볼록을 포함한 대규모 LArTPC 볼륨에 적용했을 때, 이러한 시스템의 계산 효율성과 확장성은 어떠한가?

주요 결과

• 정의 어휘 분류에서 트랙에 대해 97.7%의 볼록 수준 정확도, 쇼어에 대해 99.5%를 기록했으며, 델타 레이와 다른 입자 유형 간 혼동이 최소한이었다.
• 점 제안 네트워크는 68%의 진짜 지점들을 0.10cm 이내로 위치하고, 95.9%는 0.7cm 이내로 위치했으며, 기존 방법이 68%에서 0.73cm를 기록한 것에 비해 뚜렷한 성능 향상을 보였다.
• 쇼어 클러스터링은 테스트 세트에서 순도 98.7%, 효율성 99.3%, 평균 조정 랜드 지수(ARI) 96.9%를 달성했다.
• 상호작용 클러스터링은 DUNE의 가까운 검출기 고중첩 조건에서 순도 99.1%, 평균 ARI 98.2%를 기록했으며, 밀도 높은 상호작용에 대해서도 강건함을 입증했다.
• 전체 엔드 투 엔드 체인은 단일 NVIDIA V100 GPU에서 일주일 이내로 훈련 및 최적화되었으며, 기존의 수작업 튜닝 파이프라인에서 수개월에서 수년이 소요되는 것과 대비된다.
• 시스템은 활성 볼록 수에 따라 효율적으로 확장되어, 99% 이상의 비활성 볼록을 포함한 대규모 LArTPC 검출기(예: 10kt DUNE 원거리 검출기)에 적합하다.