[论文解读] Cosmic Background Removal with Deep Neural Networks in SBND

SBND Collaboration, R. Acciarri+129 more|arXiv (Cornell University)|Dec 2, 2020

Neutrino Physics Research参考文献 26被引用 7

一句话总结

本文提出了一种基于深度学习的语义分割方法，利用卷积神经网络（CNNs）将液氩时间投影室（LArTPC）图像中来自SBND探测器的像素分类为源自宇宙射线粒子或中微子相互作用。通过在模拟数据上进行训练，该模型在识别电子中微子带电流事件方面实现了91.5%的效率，在排除仅宇宙射线事件方面达到91.1%的效率，展示了在地表型LArTPC实验中抑制背景的强劲潜力。

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.

研究动机与目标

• 为解决地表型液氩时间投影室（LArTPCs）中宇宙射线背景的问题，其主导了触发和事例活动。
• 开发一种像素级分类方法，以区分LArTPC图像中由宇宙射线引起的信号与中微子引起的信号。
• 证明利用深度神经网络在LArTPC数据中进行语义分割的可行性，以提升事例选择能力和背景抑制效果。
• 为将深度学习整合到费米国家加速器实验室短基线中微子（SBN）计划的分析流程中提供基础。

提出的方法

• 该方法采用类似U-Net的编码器-解码器卷积神经网络架构，基于模拟的SBND LArTPC图像进行训练，以实现像素级的语义分割。
• 输入数据由模拟中微子和宇宙射线事例的三个线阵（两个感应平面和一个垂直线阵）的二维投影组成。
• 网络被训练以将每个像素分类为属于宇宙射线粒子、中微子相互作用或背景噪声，使用模拟生成的真实标签。
• 推理过程中应用多平面一致性检查：事例必须在每个平面上至少有100个标记为中微子的像素，且所有三个平面间Y位置差异的平均值≤50像素。
• 通过选择效率和背景排斥率指标对模型进行评估，性能在不同中微子相互作用类型中进行评估。
• 训练使用来自探测器模拟的合成数据，结合数据增强和类别平衡技术以提升泛化能力。

实验结果

研究问题

• RQ1 深度神经网络能否在像素级别有效区分LArTPC图像中由宇宙射线引起的像素活动与中微子引起的活动？
• RQ2 语义分割模型在排除仅宇宙射线事例的同时，对中微子相互作用的事例级识别能力如何？
• RQ3 在不同中微子相互作用类型（如电子中微子带电流事例、μ子中微子带电流事例和中性流事例）中，分类准确率的性能差异是什么？
• RQ4 该模型的预测在实际分析工作流程中能在多大程度上用于过滤宇宙背景？
• RQ5 在存在噪声或信号不完整的情况下，多平面一致性标准的引入在多大程度上提升了事例选择的可靠性？

主要发现

• 表现最佳的模型对电子中微子带电流（νₑ CC）事例的选中效率达到91.5%，表明其具备强大的区分能力。
• 对于μ子中微子带电流（νₘu CC）事例，选中效率为78.6%，反映出长μ子轨迹与宇宙射线μ子相似所带来的挑战。
• 中性流（NC）事例的效率最低，仅为37.3%，原因是其能量沉积较低且活跃像素较少，使其更难与宇宙背景区分。
• 该模型实现了91.1%的仅宇宙射线事例排斥率，显著抑制了背景触发。
• 通过简单筛选（每个平面中至少100个中微子像素，且Y位置差异平均≤50像素），该方法将仅宇宙射线事例减少了10倍，同时保持了非背景像素标签95%的准确率。
• 结果表明，基于深度学习的像素级分割是一种在地表型LArTPC实验（如SBND）中实现背景抑制的可行且高效的技术。