[论文解读] Graph Neural Networks for IceCube Signal Classification

Nicholas Choma, Federico Monti+8 more|arXiv (Cornell University)|Sep 17, 2018

Astrophysics and Cosmic Phenomena参考文献 34被引用 14

一句话总结

本文提出一种图神经网络（GNN），通过将探测器建模为空间图（传感器为节点，边由坐标学习得到）来提升冰立方中微子观测站的信号检测性能。该GNN自适应地处理仅活跃传感器的信号，将信噪比提升3倍，并检测到的信号事件数量是基于物理原理的基线方法的6.3倍。

ABSTRACT

Tasks involving the analysis of geometric (graph- and manifold-structured) data have recently gained prominence in the machine learning community, giving birth to a rapidly developing field of geometric deep learning. In this work, we leverage graph neural networks to improve signal detection in the IceCube neutrino observatory. The IceCube detector array is modeled as a graph, where vertices are sensors and edges are a learned function of the sensors' spatial coordinates. As only a subset of IceCube's sensors is active during a given observation, we note the adaptive nature of our GNN, wherein computation is restricted to the input signal support. We demonstrate the effectiveness of our GNN architecture on a task classifying IceCube events, where it outperforms both a traditional physics-based method as well as classical 3D convolution neural networks.

研究动机与目标

• 解决在冰立方中探测稀有天体物理中微子事件的挑战，此类事件面临极端类别不平衡问题，误报率低于10−6。
• 克服传统基于物理的方法和3D卷积神经网络（3D CNN）在处理冰立方探测器不规则几何结构和稀疏信号模式方面的局限性。
• 利用几何深度学习将探测器建模为图结构，实现对活跃传感器支持区域的自适应计算。
• 通过捕捉μ子轨迹中的空间分布与随机能量沉积模式，提升信号分类性能。

提出的方法

• 将冰立方探测器建模为图结构，其中5,160个传感器作为节点，边由空间坐标的可学习函数定义。
• 应用图神经网络（GNN），在图上执行消息传递，基于局部邻域更新节点表征。
• 采用一种限制计算仅在活跃传感器支持区域内的GNN架构，实现对稀疏信号的高效且自适应的处理。
• 使用PyTorch在模拟事件波形上训练GNN，以信号检测性能为目标进行优化，特别关注低误报率。
• 在最终评估数据集上，通过ROC曲线和事件计数指标，将GNN与基于物理的基线方法及3D CNN进行比较。
• 采用来自传感器的波形数字化器数据作为输入特征，以时间分辨的光子到达时间作为信号输入。

实验结果

研究问题

• RQ1 图神经网络是否能在冰立方中微子事件的稀有事件检测中超越传统的基于物理的筛选方法？
• RQ2 与固定网格的3D卷积神经网络相比，GNN在活跃传感器支持区域上的自适应计算如何提升性能？
• RQ3 GNN对探测器不规则几何结构的建模能力在高不对称性事件分类中，能在多大程度上提升信噪比？
• RQ4 与基于物理的基线相比，GNN是否能在保持低误报率的同时检测到更多真实信号事件？

主要发现

• GNN实现了2.980的信噪比（SNR），相比基于物理的基线方法0.987的SNR，提升了3倍。
• GNN每年检测到5.772个加权信号事件，是基于物理基线方法每年0.922个事件的6.3倍。
• 在最终评估数据集上，GNN每年选择1.937个加权背景事件，与3D CNN相当，但显著优于基于物理的基线方法。
• GNN的ROC曲线在低误报率下表现更优，在FPR低于10−6的水平下，真正例率显著高于3D CNN。
• 模型在约40个周期内收敛，使用134,741个样本在Tesla P40 GPU上训练耗时约40小时。
• GNN成功识别出中微子相互作用产生的起始轨迹，而这些事件在基于物理的基线中被排除，表明未来可集成此类事件。