[논문 리뷰] Cosmic Background Removal with Deep Neural Networks in SBND

SBND Collaboration, R. Acciarri외 129명|arXiv (Cornell University)|2020. 12. 02.

Neutrino Physics Research참고 문헌 26인용 수 7

한 줄 요약

이 논문은 SBND 검출기의 액체 헬륨 시간 투과실성 카메라(LArTPC) 영상에서 우주선 입자 또는 뉴트리노 상호작용에서 유래한 것으로 간주되는 개별 픽셀을 분류하기 위해 컨volutional 신경망(CNNs) 기반의 의미적 세분화 접근법을 제안한다. 시뮬레이션 데이터로 훈련함으로써 모델은 전자 뉴트리노의 충돌-전류 사건을 91.5%의 효율으로 식별하고, 우주선 전용 사건을 91.1%로 거부함으로써 표면 기반 LArTPC 실험에서 배경 신호를 억제할 잠재력을 입증한다.

ABSTRACT

In liquid argon time projection chambers exposed to neutrino beams and running on or near surface levels, cosmic muons and other cosmic particles are incident on the detectors while a single neutrino-induced event is being recorded. In practice, this means that data from surface liquid argon time projection chambers will be dominated by cosmic particles, both as a source of event triggers and as the majority of the particle count in true neutrino-triggered events. In this work, we demonstrate a novel application of deep learning techniques to remove these background particles by applying semantic segmentation on full detector images from the SBND detector, the near detector in the Fermilab Short-Baseline Neutrino Program. We use this technique to identify, at single image-pixel level, whether recorded activity originated from cosmic particles or neutrino interactions.

연구 동기 및 목표

• 표면 기반 액체 헬륨 시간 투과실성 카메라(LArTPCs)에서 지배적인 트리거와 사건 활동을 일으키는 우주선 배경 문제를 해결하기 위해.
• LArTPC 영상에서 우주선 유도 신호와 뉴트리노 유도 신호를 식별할 수 있는 픽셀 수준의 분류 방법을 개발하기 위해.
• LArTPC 데이터에서 의미적 세분화를 위한 딥 네트워크의 가능성을 입증하여, 사건 선택 및 배경 억제를 향상시키기 위해.
• 페르미랩의 단기거리 뉴트리노(SBN) 프로그램의 분석 파이프라인에 딥 러닝을 통합하는 기초를 제공하기 위해.

제안 방법

• 이 방법은 시뮬레이션된 SBND LArTPC 영상으로 훈련된 U-Net 유사 인코더-디코더 컨volutional 신경망 아키텍처를 사용하여 픽셀 수준에서 의미적 세분화를 수행한다.
• 입력 데이터는 시뮬레이션된 뉴트리노 및 우주선 사건의 세 개의 와이어 평면(두 개의 유도 평면과 하나의 수직 와이어 평면)의 2차원 투영 영상으로 구성된다.
• 모델은 시뮬레이션에서 생성된 진정된 레이블을 사용하여 각 픽셀이 우주선 입자, 뉴트리노 상호작용, 또는 배경 노이즈에 속하는지 분류하도록 훈련된다.
• 추론 과정에서 다중 평면 일관성 검증이 적용된다: 각 평면에서 최소 100개의 뉴트리노 태그된 픽셀이 있어야 하며, 세 평면 간 평균 Y 위치 차이가 ≤50 픽셀 이하여야 한다.
• 선택 효율성 및 배경 거부 지표를 사용하여 모델을 평가하며, 다양한 뉴트리노 상호작용 유형에서 성능을 평가한다.
• 훈련은 검출기 시뮬레이션에서 생성된 합성 데이터를 사용하며, 일반화 능력을 향상시키기 위해 데이터 증강 및 클래스 균형 조정을 함께 적용한다.

실험 결과

연구 질문

• RQ1 딥 네트워크는 LArTPC 영상에서 픽셀 수준에서 우주선 유도 픽셀 활동과 뉴트리노 유도 활동을 효과적으로 구분할 수 있는가?
• RQ2 의미적 세분화 모델은 우주선 전용 사건을 거부하면서 뉴트리노 상호작용의 사건 수준 식별을 얼마나 잘 수행할 수 있는가?
• RQ3 전자 뉴트리노 충돌-전류 사건과 뮤온 뉴트리노 충돌-전류 사건, 중성자류 사건과 같은 다양한 뉴트리노 상호작용 유형 간 분류 정확도의 성능 차이는 무엇인가?
• RQ4 모델의 예측 결과가 실질적인 분석 워크플로우에서 우주 배경을 얼마나 효과적으로 걸러낼 수 있는가?
• RQ5 다중 평면 일관성 기준이 노이즈가 많거나 완전하지 않은 신호가 존재하는 상황에서 사건 선택의 신뢰성을 얼마나 향상시키는가?

주요 결과

• 최고 성능을 보인 모델은 전자 뉴트리노 충돌-전류(νₑ CC) 사건에 대해 91.5%의 선택 효율을 달성하여 강력한 구분 능력을 보였다.
• 뮤온 뉴트리노 충돌-전류(νₘu CC) 사건의 경우 선택 효율은 78.6%였으며, 이는 장거리 뮤온 트랙이 우주선 뮤온과 유사하여 발생하는 과제를 반영한다.
• 중성자류(NC) 사건의 경우 효율이 가장 낮아 37.3%였는데, 이는 에너지 손실이 낮고 활성 픽셀 수가 적어 우주 배경과 구분하기 어려운 데 기인한다.
• 모델은 우주선 전용 사건을 91.1%로 거부하여 배경 트리거 억제에 상당한 기여를 하였다.
• 간단한 절단 조건(각 평면에서 최소 100개의 뉴트리노 픽셀 및 세 평면 간 평균 Y 위치 차이 ≤50 픽셀)을 적용함으로써, 우주선 전용 사건은 10배 감소하였고, 비배경 픽셀의 레이블링 정확도는 95%를 유지하였다.
• 결과적으로, 표면 기반 LArTPC 실험(예: SBND)에서 딥 러닝 기반 픽셀 수준의 세분화는 배경 억제에 실현 가능하고 효과적인 기법임을 보여주었다.