[论文解读] Implicit Neural Representation as a Differentiable Surrogate for Photon Propagation in a Monolithic Neutrino Detector

Minjie Lei, K. V. Tsang+7 more|arXiv (Cornell University)|Nov 2, 2022

Astrophysics and Cosmic Phenomena被引用 5

一句话总结

本文提出使用SIREN（一种具有周期性激活函数的神经隐式表示），作为单片式中微子探测器中光子传播的可微分、可扩展的代理模型。通过将光子库建模为三维场景，SIREN在参数数量上比传统查表法减少数个数量级的同时实现了高精度，支持通过梯度下降在真实数据上进行端到端优化，并支持可微分的似然函数重建——从而克服了大规模液氩时间投影室（LArTPC）模拟中的可扩展性与仿真-数据差异问题。

ABSTRACT

Optical photons are used as signal in a wide variety of particle detectors. Modern neutrino experiments employ hundreds to tens of thousands of photon detectors to observe signal from millions to billions of scintillation photons produced from energy deposition of charged particles. These neutrino detectors are typically large, containing kilotons of target volume, with different optical properties. Modeling individual photon propagation in form of look-up table requires huge computational resources. As the size of a table increases with detector volume for a fixed resolution, this method scales poorly for future larger detectors. Alternative approaches such as fitting a polynomial to the model could address the memory issue, but results in poorer performance. Both look-up table and fitting approaches are prone to discrepancies between the detector simulation and the data collected. We propose a new approach using SIREN, an implicit neural representation with periodic activation functions, to model the look-up table as a 3D scene and reproduces the acceptance map with high accuracy. The number of parameters in our SIREN model is orders of magnitude smaller than the number of voxels in the look-up table. As it models an underlying functional shape, SIREN is scalable to a larger detector. Furthermore, SIREN can successfully learn the spatial gradients of the photon library, providing additional information for downstream applications. Finally, as SIREN is a neural network representation, it is differentiable with respect to its parameters, and therefore tunable via gradient descent. We demonstrate the potential of optimizing SIREN directly on real data, which mitigates the concern of data vs. simulation discrepancies. We further present an application for data reconstruction where SIREN is used to form a likelihood function for photon statistics.

研究动机与目标

• 解决传统光子查表在大型中微子探测器中因探测器体积和分辨率增加而呈二次方增长的可扩展性与内存限制问题。
• 克服查表法与多项式拟合无法直接在真实探测器数据上校准的问题，因为其再生成本过高。
• 实现光子传播的可微分建模，以支持基于梯度的优化并提升模拟保真度。
• 通过直接在真实数据上调整模型参数，减少仿真与真实探测器响应之间的差异。
• 开发一种可扩展、参数高效的光学可见性代理模型，用于液氩时间投影室（LArTPCs），支持下游应用如基于似然的重建。

提出的方法

• 使用SIREN（一种具有正弦激活函数的神经网络）将光子库隐式表示为从探测器位置到光子探测概率的连续三维函数。
• 在ICARUS探测器的预计算光子查表上训练SIREN模型，采用体素级损失以确保接受度图的高保真重建。
• 利用SIREN的可微性，通过真实探测器数据对模型参数进行基于梯度的优化，实现原位校准。
• 将SIREN模型作为可微分的似然函数应用于数据重建流程，以改进光子信号的统计建模。
• 在真实轨迹数据的子集上微调SIREN模型，以纠正仿真与数据之间的差异，而无需重新生成完整的光子库。
• 利用网络可解析计算空间梯度的能力，为下游物理分析提供额外的物理解读。

实验结果

研究问题

• RQ1 像SIREN这样的神经隐式表示能否以远少于传统查表法的参数数量，实现对光子接受度图的高保真重建？
• RQ2 SIREN能否在真实探测器数据上进行端到端训练，从而减少仿真-数据差异，而这是传统查表法无法实现的？
• RQ3 SIREN的可微性是否能有效支持基于梯度的优化，以提升真实数据上的模型精度？
• RQ4 SIREN能否支持未来大规模LArTPC探测器中光子传播的可扩展、高分辨率建模？
• RQ5 基于SIREN的模型能否用于构建用于数据重建中光子统计的可微分似然函数？

主要发现

• SIREN以远少于原始查表法的参数数量，实现了对光子接受度图的高精度重建，从而为大型探测器提供了可扩展的建模能力。
• 在完整查表上训练并在真实轨迹数据上微调的SIREN模型，其性能与从头开始在相同数据上训练的模型相当，证明了其在真实数据上的有效校准能力。
• SIREN模型能够学习平滑训练数据中的统计噪声，由于体素化导致的像素化效应，其误差低于原始查表法。
• SIREN的可微性使得基于真实数据的梯度优化成为可能，而标准查表法因具有非可微、离散的特性，无法实现此功能。
• SIREN模型使得构建用于光子统计的可微分似然函数成为可能，该函数可被用于基于似然的重建流程，以提升物理分析性能。
• 该方法降低了光子库再生的计算负担，因为校准是通过调参而非重新计算整个库来完成的。