[论文解读] PILArNet: Public Dataset for Particle Imaging Liquid Argon Detectors in High Energy Physics

C. Adams, K. Terao+1 more|arXiv (Cornell University)|Jun 3, 2020

Particle Detector Development and Performance参考文献 9被引用 7

一句话总结

PILArNet 是一个公开的、开放获取的数据集，包含 300,000 个在液氩时间投影室（LArTPCs）中模拟的粒子轨迹，使用 Geant4 和 LArSoft 生成，并通过 LArCV 以稀疏的 2D/3D 矩阵格式存储。该数据集支持监督式机器学习在粒子成像任务中的应用，如轨迹重建和起点回归，提供完整的软件支持，包括 Docker/Singularity 容器以及用于高效数据访问和模型训练的 Python/C++ API。

ABSTRACT

Rapid advancement of machine learning solutions has often coincided with the production of a test public data set. Such datasets reduce the largest barrier to entry for tackling a problem -- procuring data -- while also providing a benchmark to compare different solutions. Furthermore, large datasets have been used to train high-performing feature finders which are then used in new approaches to problems beyond that initially defined. In order to encourage the rapid development in the analysis of data collected using liquid argon time projection chambers, a class of particle detectors used in high energy physics experiments, we have produced the PILArNet, first 2D and 3D open dataset to be used for a couple of key analysis tasks. The initial dataset presented in this paper contains 300,000 samples simulated and recorded in three different volume sizes. The dataset is stored efficiently in sparse 2D and 3D matrix format with auxiliary information about simulated particles in the volume, and is made available for public research use. In this paper we describe the dataset, tasks, and the method used to procure the sample.

研究动机与目标

• 通过提供一个大规模、公开可用的数据集，降低在液氩时间投影室（LArTPC）数据分析中应用机器学习的门槛。
• 加速开发用于 LArTPC 中粒子轨迹重建和能量沉积分析的监督式机器学习算法。
• 通过标准化训练数据和软件接口，促进 MicroBooNE、ICARUS、SBND 和 DUNE 等 LArTPC 实验之间的跨实验协作。
• 通过容器化软件环境和标准化的数据输入/输出管道，提升高能物理机器学习研究的可重现性和透明度。

提出的方法

• 使用 Geant4 和 LArSoft 两个在 LArTPC 社区中广泛采用的开源框架，模拟了 300,000 个粒子相互作用事件。
• 使用 LArCV 文件格式，以稀疏的 2D 和 3D 矩阵格式存储粒子成像数据，该格式针对液氩中典型的电离轨迹低密度、高分辨率能量沉积模式进行了优化。
• 提供元数据，包括粒子起点和终点位置、类型及能量，与图像数据关联，用于监督式学习任务。
• 开发并发布了 Docker 和 Singularity 容器镜像，以确保数据访问和模型训练的执行环境一致且可重现。
• 通过 LArCV 和 dlp_opendata_api 库实现 Python 和 C++ API，支持在密集或稀疏格式下高效加载数据，适用于机器学习工作流。
• 将数据集托管在开放科学框架（OSF）上，并与工业级云服务集成，确保长期可访问性及版本控制。

实验结果

研究问题

• RQ1 大规模、公开可用的模拟数据集是否能显著加速 LArTPC 中粒子轨迹重建的机器学习模型开发？
• RQ2 在 LArCV 文件中使用稀疏矩阵表示，如何提升粒子成像数据在深度学习模型训练中的数据效率和性能？
• RQ3 标准化的数据集和软件栈在多大程度上能够促进 DUNE 和 MicroBooNE 等 LArTPC 实验之间的跨实验协作？
• RQ4 容器化环境在确保高能物理机器学习工作流的可重现性并降低设置复杂度方面有多有效？
• RQ5 像 PILArNet 这样开放且标注良好的数据集，是否能降低非高能物理背景研究人员参与粒子成像研究的门槛？

主要发现

• PILArNet 提供了首个公开可用的大规模数据集，包含 300,000 个模拟的 LArTPC 事件，附带标注的粒子轨迹和能量沉积模式。
• 该数据集以 LArCV 格式存储为稀疏的 2D 和 3D 矩阵，高效表示了 LArTPC 数据中典型的低密度、高分辨率粒子轨迹。
• 数据集包含辅助粒子元数据，如起点和终点位置，支持监督式学习任务，如 3D 轨迹回归和粒子分类。
• 提供容器化软件环境（Docker 和 Singularity），确保数据访问和分析流水线的一致性与可重现性。
• 提供 Python 和 C++ API 以实现高效的数据加载，支持密集和稀疏矩阵格式，支持高性能训练与推理。
• 数据集托管于开放科学框架（OSF）并集成云服务，确保长期可访问性，并符合现代科学数据共享标准。