[论文解读] Graph Neural Networks for Low-Energy Event Classification & Reconstruction in IceCube

R. Abbasi, M. Ackermann+381 more|arXiv (Cornell University)|Jan 1, 2022

Astrophysics and Cosmic Phenomena被引用 2

一句话总结

该论文提出 dynedge，一种基于图神经网络（GNN）的重建算法，用于冰立方中微子望远镜中的低能中微子事例。通过利用来自光学传感器（DOMs）的图结构数据，dynedge 在 1–30 GeV 范围内相较于最先进的 RETRO 算法，将能量、方向和顶点重建精度提高了 15–20%，同时对系统不确定性保持鲁棒，并与未来的探测器升级兼容。

ABSTRACT

IceCube, a cubic-kilometer array of optical sensors built to detect atmospheric and astrophysical neutrinos between 1 GeV and 1 PeV, is deployed 1.45 km to 2.45 km below the surface of the ice sheet at the South Pole. The classification and reconstruction of events from the in-ice detectors play a central role in the analysis of data from IceCube. Reconstructing and classifying events is a challenge due to the irregular detector geometry, inhomogeneous scattering and absorption of light in the ice and, below 100 GeV, the relatively low number of signal photons produced per event. To address this challenge, it is possible to represent IceCube events as point cloud graphs and use a Graph Neural Network (GNN) as the classification and reconstruction method. The GNN is capable of distinguishing neutrino events from cosmic-ray backgrounds, classifying different neutrino event types, and reconstructing the deposited energy, direction and interaction vertex. Based on simulation, we provide a comparison in the 1-100 GeV energy range to the current state-of-the-art maximum likelihood techniques used in current IceCube analyses, including the effects of known systematic uncertainties. For neutrino event classification, the GNN increases the signal efficiency by 18% at a fixed false positive rate (FPR), compared to current IceCube methods. Alternatively, the GNN offers a reduction of the FPR by over a factor 8 (to below half a percent) at a fixed signal efficiency. For the reconstruction of energy, direction, and interaction vertex, the resolution improves by an average of 13%-20% compared to current maximum likelihood techniques in the energy range of 1-30 GeV. The GNN, when run on a GPU, is capable of processing IceCube events at a rate nearly double of the median IceCube trigger rate of 2.7 kHz, which opens the possibility of using low energy neutrinos in online searches for transient events.

研究动机与目标

• 开发一种用于 IceCube 中低能中微子事例的稳健、可扩展的重建算法，基于图神经网络。
• 在 1–30 GeV 能量范围内，提升对轨迹事例与簇射事例（T/C）以及中微子与μ子事例（ν/μ）分类的准确性。
• 提升低能事例中能量、方向、天顶角和相互作用顶点的重建精度。
• 确保对光学参数、冰体性质和传感器噪声等系统不确定性的鲁棒性。
• 实现实时在线重建，并与未来探测器升级（如 IceCube-Gen2 和 KM3Net）兼容。

提出的方法

• dynedge 使用图神经网络（GNN）对 IceCube 的数字光学模块（DOMs）之间的相互作用进行建模，将每个 DOM 视为具有电荷、时间及位置等特征的节点。
• GNN 使用消息传递机制处理图结构，实现 DOM 间的信息传播，从而捕捉复杂的事例拓扑结构。
• 模型在模拟的低能中微子事例上进行端到端训练，采用分类头与多任务回归头相结合的方式，分别用于能量、方向和顶点重建。
• 其基于 GraphNeT 框架实现，支持模块化设计，并可兼容任意探测器几何结构。
• 通过在 DOM 位置、时间与电荷上施加随机扰动，引入数据增强，以提升对传感器噪声和系统误差的鲁棒性。
• 性能以当前 IceCube 重建领域最先进的 RETRO 算法为基准进行评估。

实验结果

研究问题

• RQ1 基于 GNN 的方法是否能在 IceCube 中低能中微子事例的分类与重建方面超越传统的重建算法（如 RETRO）？
• RQ2 在基于模拟低能事例训练后，GNN 模型在能量、方向和顶点重建方面的表现如何？
• RQ3 GNN 模型对系统不确定性（如 DOM 光学效率、冰体散射与吸收特性）的鲁棒性达到何种程度？
• RQ4 GNN 模型是否能够实现实时在线重建，适用于南极站点的部署？
• RQ5 该模型在面向未来探测器构型（如配备新型 DOM 类型与新钢索的升级版 IceCube）时，泛化能力如何？

主要发现

• 在 1–30 GeV 能量范围内，与 RETRO 算法相比，dynedge 在能量、天顶角、方向和顶点重建精度方面均提升了 15–20%。
• 该模型在 ν/μ 分类任务中达到 AUC 0.91，相较于 RETRO 在低能区提升了 15–20%。
• 在 T/C 分类任务中，dynedge 达到 AUC 0.95，显著优于 RETRO 在 1–30 GeV 范围内的表现。
• dynedge 对系统不确定性表现出强鲁棒性，包括 DOM 光学效率（±10%）、角度响应范围以及冰体散射/吸收参数的变化。
• 在对 DOM 位置、时间与电荷施加随机扰动后，模型仍保持高性能，表明其对传感器噪声具有出色的泛化能力。
• 重建速度测试表明，dynedge 能够实现实时事件处理，支持在南极站点的在线部署。