[논문 리뷰] Scalable, Proposal-free Instance Segmentation Network for 3D Pixel Clustering and Particle Trajectory Reconstruction in Liquid Argon Time Projection Chambers

Dae Heun Koh, Pierre Côte de Soux외 7명|arXiv (Cornell University)|2020. 07. 06.

Advanced Neural Network Applications참고 문헌 2인용 수 7

한 줄 요약

이 논문은 액체 알루미늄 시간 영역 캐피처(LArTPCs)에서 3D 픽셀 클러스터링 및 입자 궤적 복원을 위해 희소 컨volution 신경망(SCNNs)을 사용하는 확장 가능하고 제안 없음(instance segmentation) 네트워크를 제안한다. 이 방법은 PILArNet 데이터셋에서 상태 기반 성능을 보이며, 평균 픽셀 클러스터링 효율성과 순도가 각각 96%이며, 90%의 입자가 조정된 랜드 지수(ARI) >92%를 기록한다.

ABSTRACT

Liquid Argon Time Projection Chambers (LArTPCs) are high resolution particle imaging detectors, employed by accelerator-based neutrino oscillation experiments for high precision physics measurements. While images of particle trajectories are intuitive to analyze for physicists, the development of a high quality, automated data reconstruction chain remains challenging. One of the most critical reconstruction steps is particle clustering: the task of grouping 3D image pixels into different particle instances that share the same particle type. In this paper, we propose the first scalable deep learning algorithm for particle clustering in LArTPC data using sparse convolutional neural networks (SCNN). Building on previous works on SCNNs and proposal free instance segmentation, we build an end-to-end trainable instance segmentation network that learns an embedding of the image pixels to perform point cloud clustering in a transformed space. We benchmark the performance of our algorithm on PILArNet, a public 3D particle imaging dataset, with respect to common clustering evaluation metrics. 3D pixels were successfully clustered into individual particle trajectories with 90% of them having an adjusted Rand index score greater than 92% with a mean pixel clustering efficiency and purity above 96%. This work contributes to the development of an end-to-end optimizable full data reconstruction chain for LArTPCs, in particular pixel-based 3D imaging detectors including the near detector of the Deep Underground Neutrino Experiment. Our algorithm is made available in the open access repository, and we share our Singularity software container, which can be used to reproduce our work on the dataset.

연구 동기 및 목표

• 지역 제안 없이도 엔드 투 엔드 학습이 가능하고 확장 가능한 딥 러닝 프레임워크를 개발하여 LArTPC 데이터의 3D 픽셀 클러스터링을 수행한다.
• 궤적 복원을 위해 3D 이미지 픽셀을 고유한 입자 인스턴스로 정확하게 그룹화하는 과제를 해결한다.
• 클러스터링을 미분 가능하고 학습 가능한 구성 요소로 통합함으로써 데이터 복원 체인의 전체 최적화를 가능하게 한다.
• 겹치는 궤적, 슈로드, 저에너지 침착과 같은 복잡한 입자 위상에 대해 복원 정확도를 향상시킨다.
• 싱귤래리티 컨테이너와 공개 데이터셋을 사용하여 재현 가능하고 오픈소스 솔루션을 제공한다.

제안 방법

• 이 방법은 LArTPC 이미지에서 유도된 희소 3D 바이트 그리드를 효율적으로 처리하기 위해 희소 컨volution 신경망(SCNNs)을 활용한다.
• 픽셀 특징을 표현하기 위해 학습 가능한 임bedding 공간을 사용하여 인스턴스 세분화를 위한 엔드 투 엔드 학습을 가능하게 한다.
• 네트워크는 후처리(예: 임베딩 공간 내 클러스터링)를 통해 고유한 인스턴스 레이블을 할당하기 위해 픽셀 임베딩을 예측한다.
• 아키텍처는 PILArNet 데이터셋의 몬테카를로 시뮬레이션 데이터를 기반으로 엔드 투 엔드로 학습된다.
• 후처리 단계에서 예측된 임베딩에 대해 클러스터링 알고리즘(예: DBSCAN)을 적용하여 최종 입자 인스턴스를 형성한다.
• 재현 가능성을 확보하기 위해 시스템은 싱귤래리티 컨테이너를 통해 배포된다.

실험 결과

연구 질문

• RQ1 제안 없이 엔드 투 엔드 학습이 가능한 딥 러닝 모델이 LArTPC 데이터에서 고정밀도 3D 픽셀 클러스터링을 달성할 수 있는가?
• RQ2 복잡한 입자 위상에서 기존 클러스터링 방법에 비해 SCNN 기반 임베딩 네트워크의 성능은 어떻게 비교되는가?
• RQ3 희소 컨볼루션은 3D 입자 복원에서 확장성과 효율성을 어느 정도 향상시킬 수 있는가?
• RQ4 공선적 궤적 또는 겹치는 슈로드와 같은 어려운 상황에서 모델의 실패 유형은 무엇인가?
• RQ5 모델은 트랙(MIP, HIP)과 슈로드(EM)를 포함한 다양한 입자 유형 간에 높은 순도와 효율성으로 일반화 가능한가?

주요 결과

• 모델은 PILArNet 데이터셋의 모든 입자 유형에서 평균 픽셀 클러스터링 효율성과 순도가 각각 96%를 기록하였다.
• 90%의 입자 인스턴스가 조정된 랜드 지수(ARI) 점수 92% 이상을 기록하여 높은 클러스터링 정확도를 입증하였다.
• 트랙 유형 입자(HIP 및 MIP)의 경우, 모델은 클러스터링 효율성 98%와 순도 98%를 달성하였다.
• 전자기 슈로드의 경우, 모델은 효율성 93%와 순도 93%를 기록하였으며, 저에너지이고 산산이 흩어지는 침착으로 인해 도전 과제가 있었다.
• V100 GPU에서 이벤트당 추론 시간은 후처리를 제외하고 1초 이내였으며, 후처리 평균 시간은 0.6초였다.
• 실패 사례로는 겹치는 궤적, 공선적 궤적, 저에너지 슈로드 침착이 잘못된 클러스터로 융합되는 현상이 관찰되어未래 개선이 필요한 영역을 확인하였다.