[论文解读] Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors

F. Drielsma, K. Terao+2 more|arXiv (Cornell University)|Feb 1, 2021

Particle physics theoretical and experimental studies参考文献 21被引用 8

一句话总结

本文提出了一种用于液氩时间投影室（LArTPCs）的端到端深度学习重建链，采用稀疏卷积神经网络进行体素级特征提取，并利用图神经网络构建粒子超结构。该方法在语义分割（喷射簇的准确率为99.5%）、点提议（0.7 cm以内准确率达95.9%）和聚类（纯度98.7%，效率99.3%）方面达到当前最先进水平，同时可扩展至高积压事件，并可在单张GPU上于一周内完成端到端优化。

ABSTRACT

Recent inroads in Computer Vision (CV) and Machine Learning (ML) have motivated a new approach to the analysis of particle imaging detector data. Unlike previous efforts which tackled isolated CV tasks, this paper introduces an end-to-end, ML-based data reconstruction chain for Liquid Argon Time Projection Chambers (LArTPCs), the state-of-the-art in precision imaging at the intensity frontier of neutrino physics. The chain is a multi-task network cascade which combines voxel-level feature extraction using Sparse Convolutional Neural Networks and particle superstructure formation using Graph Neural Networks. Each algorithm incorporates physics-informed inductive biases, while their collective hierarchy is used to enforce a causal structure. The output is a comprehensive description of an event that may be used for high-level physics inference. The chain is end-to-end optimizable, eliminating the need for time-intensive manual software adjustments. It is also the first implementation to handle the unprecedented pile-up of dozens of high energy neutrino interactions, expected in the 3D-imaging LArTPC of the Deep Underground Neutrino Experiment. The chain is trained as a whole and its performance is assessed at each step using an open simulated data set.

研究动机与目标

• 为应对未来实验（如DUNE）中LArTPC粒子成像数据日益增长的复杂性，特别是在高积压条件下的挑战。
• 用一种端到端、可微分的深度学习链替代传统的人工调优重建流程，以减少人为干预并提升可扩展性。
• 通过多任务神经网络实现分层、物理启发的特征提取——从体素级分类到作用级聚类。
• 在稀疏3D LArTPC图像中实现对粒子轨迹、顶点和作用类型的高精度重建。
• 证明整个重建链可实现端到端训练与优化，从而减少对迭代、耗时的人工软件调优的依赖。

提出的方法

• 重建链采用稀疏U-ResNet主干网络与稀疏卷积，高效处理大规模3D LArTPC图像，仅随活跃（非零）体素数量扩展。
• 语义分割与点提议并行进行，采用共享的编码器-解码器结构，其中点提议网络（PPN）利用多尺度卷积检测关键粒子特征。
• 通过图神经网络实现密集聚类，将粒子实例建模为节点，粒子间关系建模为边，利用学习到的边得分将体素聚合成一致的粒子簇。
• 通过两个顺序的图网络实现喷射簇与作用聚类：一个用于识别喷射簇的初级粒子，另一个用于将粒子分组为完整作用。
• 通过强制因果结构并使用真实邻接矩阵引导图连接性，将物理启发的归纳偏置融入模型。
• 整个系统在包含125,280张模拟3D LArTPC图像的PILarNet数据集上进行端到端训练，各阶段性能通过纯度、效率和ARI等指标进行评估。

实验结果

研究问题

• RQ1 基于深度学习的端到端重建链是否能在LArTPC事件重建中超越传统模块化、人工调优的流程？
• RQ2 多任务、分层神经网络架构在高积压LArTPC环境中对粒子类型、顶点和作用的重建能力如何？
• RQ3 物理启发的归纳偏置在稀疏3D成像中能在多大程度上提升粒子重建的泛化能力与准确性？
• RQ4 图神经网络能否有效从体素级特征建模复杂的粒子超结构（如喷射簇与作用）？
• RQ5 当应用于具有超过99%非活跃体素的全尺寸LArTPC体积时，该系统的计算效率与可扩展性如何？

主要发现

• 语义分割在轨迹上的体素级准确率为97.7%，在喷射簇上达到99.5%，且与次级射线之间的混淆极小。
• 点提议网络在0.10 cm范围内定位到68%的真实点，在0.7 cm范围内定位到95.9%的真实点，显著优于传统方法在68%置信度下仅能达到0.73 cm的性能。
• 喷射簇聚类在测试集上达到98.7%的纯度、99.3%的效率，以及96.9%的平均调整兰德指数（ARI）。
• 作用聚类在DUNE近端探测器的高积压条件下达到99.1%的纯度和98.2%的平均ARI，展现出对密集作用的强鲁棒性。
• 整个端到端重建链在单张NVIDIA V100 GPU上训练与优化耗时不足一周，而传统人工调优流程通常需要数月甚至数年。
• 该系统在活跃体素数量上具有高效可扩展性，即使在极端稀疏（超过99%非活跃体素）条件下，也适用于大规模LArTPC探测器（如10千吨级的DUNE远端探测器）。