[论文解读] Deep-Learning-Based Kinematic Reconstruction for DUNE

Junze Liu, Jordan Ott+5 more|arXiv (Cornell University)|Dec 11, 2020

Neutrino Physics Research参考文献 22被引用 6

一句话总结

该论文提出使用二维和三维卷积神经网络（CNNs）对DUNE的液氩时间投影室（LArTPC）中的中微子相互作用进行端到端运动学重建，直接从探测器图像回归粒子方向、能量及中微子能量。与传统方法相比，该模型在电子方向上的角分辨率提升65%，在μ子方向上提升50%，能量分辨率提高31%，在复杂且噪声较多的探测器环境中表现出更优性能。

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.

研究动机与目标

• 开发DUNE LArTPC的全AI重建链，绕过传统且耗时的手动算法，用于运动学参数估计。
• 解决在探测器非线性响应、重叠轨迹以及杂质导致的缺失能量背景下，重建中微子能量、末态粒子方向和动量的挑战。
• 通过利用2D和3D像素图中记录的探测器打点的空间与电荷信息，超越传统聚类与拟合方法，提升角分辨率和能量分辨率。
• 验证深度学习能够比手工设计的重建算法更有效地从模拟探测器响应中提取复杂的物理关系。

提出的方法

• 该方法使用从LArTPC三个读出线（U、V、Z）生成的2D和3D像素图，每个像素编码打点位置（导线编号与时间刻度）及电荷量。
• 2D回归CNN处理事件的三个正交视图（U、V、Z），以重建粒子能量与方向，基于模拟的DUNE事例进行训练。
• 3D回归CNN使用体素化像素图（100×100×100）直接建模打点的空间分布，实现更优的三维方向重建。
• 网络通过监督学习进行训练，使用蒙特卡罗模拟生成的真实运动学参数作为监督信号，优化方向与能量预测的均方误差。
• 利用SHERPA超参数优化框架对超参数进行调优，以提升能量与方向回归任务的性能。
• 通过重新加权训练数据分布，使0–6 GeV区间内分布平坦，高能区保持恒定，以缓解重建中的能量依赖性偏差。

实验结果

研究问题

• RQ1 3D卷积神经网络是否能在LArTPC事例的粒子方向重建中超越传统聚类与拟合方法？
• RQ2 与传统的电磁量能法和轨迹长度法相比，端到端深度学习在中微子及末态轻子能量分辨率方面能提升多少？
• RQ3 CNN能否在未显式实现多次库仑散射方程的情况下，有效学习未束缚μ子散射角与缺失能量之间的关系？
• RQ4 在不同中微子能量范围与事例拓扑结构下，2D与3D CNN在重建运动学变量方面的性能表现如何比较？
• RQ5 重新加权训练数据分布是否能降低重建中微子与轻子能量中的能量依赖性偏差？

主要发现

• 3D CNN在电子事例中实现了13.3°的角分辨率，在μ子事例中为4.8°，分别较传统方法（37.6°和9.5°）提升65%和50%。
• 对于束缚的νμ CC事例，CNN将RMS能量分辨率从0.191降低至0.101，较传统轻子+强子能量方法提升31%。
• 对于未束缚的νμ CC事例，CNN将能量分辨率RMS从0.200提升至0.158，证明其无需显式引入散射物理即可有效建模缺失能量。
• CNN将电子能量重建偏差从-0.057（量能法）降低至0.007，偏差幅度改善八倍。
• 2D回归CNN的能量重建分布比轨迹长度法更集中，且平均值与分辨率相近（μ子为4%，电子为5%），表明对重建失败更具鲁棒性。
• 重新加权的训练数据分布降低了能量依赖性偏差，尽管RMS略升至0.116，但仍在分辨率与偏差方面全面优于传统方法。