[논문 리뷰] Deep-Learning-Based Kinematic Reconstruction for DUNE

Junze Liu, Jordan Ott외 5명|arXiv (Cornell University)|2020. 12. 11.

Neutrino Physics Research참고 문헌 22인용 수 6

한 줄 요약

이 논문은 DUNE의 액체 헬륨 시간 영상실 (LArTPC)에서 뉴트리노 상호작용의 엔드 투 엔드 운동학적 재구성에 대한 2D 및 3D 컨volution 신경망(CNNs)을 제안한다. 이는 검출기 이미지에서 직접 입자 방향, 에너지, 뉴트리노 에너지를 재구성한다. 모델들은 전자에 대해 65% 향상된 각도 해상도와 뮤온에 대해 50% 향상된 각도 해상도를 달성하였으며, 전통적 방법 대비 31% 향상된 에너지 해상도를 보이며, 복잡하고 노이즈가 많은 검출기 환경에서도 뛰어난 성능을 입증한다.

ABSTRACT

In the framework of three-active-neutrino mixing, the charge parity phase, the neutrino mass ordering, and the octant of $θ_{23}$ remain unknown. The Deep Underground Neutrino Experiment (DUNE) is a next-generation long-baseline neutrino oscillation experiment, which aims to address these questions by measuring the oscillation patterns of $ν_μ/ν_e$ and $\barν_μ/\barν_e$ over a range of energies spanning the first and second oscillation maxima. DUNE far detector modules are based on liquid argon TPC (LArTPC) technology. A LArTPC offers excellent spatial resolution, high neutrino detection efficiency, and superb background rejection, while reconstruction in LArTPC is challenging. Deep learning methods, in particular, Convolutional Neural Networks (CNNs), have demonstrated success in classification problems such as particle identification in DUNE and other neutrino experiments. However, reconstruction of neutrino energy and final state particle momenta with deep learning methods is yet to be developed for a full AI-based reconstruction chain. To precisely reconstruct these kinematic characteristics of detected interactions at DUNE, we have developed and will present two CNN-based methods, 2-D and 3-D, for the reconstruction of final state particle direction and energy, as well as neutrino energy. Combining particle masses with the kinetic energy and the direction reconstructed by our work, the four-momentum of final state particles can be obtained. Our models show considerable improvements compared to the traditional methods for both scenarios.

연구 동기 및 목표

• DUNE LArTPC에 대한 완전한 AI 기반 재구성 체인을 개발하여 기존의 수작업이 많은 알고리즘을 회피하고 운동학적 매개변수 추정을 수행한다.
• 검출기 비선형성, 겹치는 궤적, 불순물로 인한 에너지 손실이 존재하는 상황에서 뉴트리노 에너지, 최종 상태 입자 방향 및 운동량을 재구성하는 과제를 해결한다.
• 2D 및 3D 픽셀맵의 공간적 및 전하 정보를 활용하여 전통적인 클러스터링 및 피팅 방법을 초월해 각도 및 에너지 해상도를 향상시킨다.
• 딥러닝이 수동으로 설계된 재구성 알고리즘보다 시뮬레이션된 검출기 반응으로부터 복잡한 물리적 관계를 더 효과적으로 추출할 수 있음을 검증한다.

제안 방법

• 방법은 LArTPC의 세 개의 와이어 평면(U, V, Z)에서 유도된 2D 및 3D 픽셀맵을 사용하며, 각 픽셀은 충격 위치(와이어 번호 및 타임틱)와 전하를 인코딩한다.
• 2D 회귀 CNN은 이벤트의 세 직교된 시점(U, V, Z)을 처리하여 입자 에너지 및 방향을 재구성하며, 시뮬레이션된 DUNE 이벤트로 훈련된다.
• 3D 회귀 CNN은 체적 픽셀맵(100×100×100)을 사용하여 충격의 공간 분포를 직접 모델링함으로써 향상된 3D 방향 재구성 능력을 제공한다.
• 네트워크는 몬테카를로 시뮬레이션에서의 참값 운동학적 매개변수를 사용한 지도 학습으로 훈련되며, 방향 및 에너지 예측의 평균 제곱오차를 최소화하도록 최적화된다.
• 초기화된 하이퍼파ram터는 SHERPA 하이퍼파ram터 최적화 프레임워크를 사용하여 에너지 및 방향 회귀 작업의 성능을 향상시킨다.
• 재구성에서 에너지 의존적 편향을 줄이기 위해 훈련 데이터 분포를 0–6 GeV 범위에서 평탄하게 하고 고에너지에서는 일정하게 유지하도록 재가중한다.

실험 결과

연구 질문

• RQ1 3D 컨volution 신경망은 전통적인 클러스터링 및 피팅 방법보다 LArTPC 이벤트에서 입자 방향 재구성을 더 잘 수행할 수 있는가?
• RQ2 엔드 투 엔드 딥러닝은 전통적인 캘로리메트릭 및 궤적 길이 방법에 비해 뉴트리노 및 최종 상태 렙톤의 에너지 해상도를 얼마나 향상시킬 수 있는가?
• RQ3 명시적인 다중 쿨롱 산란 방정식의 구현 없이도 CNN이 비포함된 뮤온 산란 각도와 누락된 에너지 간의 관계를 효과적으로 학습할 수 있는가?
• RQ4 다양한 뉴트리노 에너지 범위와 이벤트 구조에서 2D와 3D CNN의 운동학적 변수 재구성 성능는 어떻게 비교되는가?
• RQ5 훈련 데이터 분포를 재가중하는 것이 재구성된 뉴트리노 및 렙톤 에너지의 에너지 의존적 편향을 줄일 수 있는가?

주요 결과

• 3D CNN은 전자 이벤트에서 13.3°의 각도 해상도를 달성하였으며, 이는 전통적 방법(37.6°) 대비 65% 향상된 것이다. 뮤온 이벤트에서는 4.8°로 기존 방법(9.5°) 대비 50% 향상되었다.
• 포함된 νμ CC 이벤트의 경우, CNN은 RMS 에너지 해상도를 0.191에서 0.101로 개선하여 전통적인 렙톤+하드론 에너지 방법 대비 31% 향상되었다.
• 비포함된 νμ CC 이벤트의 경우, CNN은 RMS 에너지 해상도를 0.200에서 0.158로 향상시켜 명시적인 산란 물리학을 구현하지 않더라도 누락된 에너지를 모델링할 수 있음을 보였다.
• 전자 에너지 재구성의 편향은 캘로리메트릭 방법의 -0.057에서 CNN의 0.007로 감소하여 편향 크기에서 여덟 배 향상되었다.
• 2D 회귀 CNN은 궤적 길이 방법보다 더 좁은 에너지 재구성 분포를 보였으며, 평균과 해상도는 유사했고(뮤온 기준 4%, 전자 기준 5%) 이는 재구성 실패에 더 강건함을 시사한다.
• 재가중된 훈련 데이터 분포는 에너지 의존적 편향을 감소시켰으며, RMS는 약간 높은 0.116를 기록했지만, 여전히 전통적 방법보다 해상도와 편향 측면에서 뛰어난 성능을 보였다.