論文の概要: Graph Neural Networks for Low-Energy Event Classification &
Reconstruction in IceCube
- arxiv url: http://arxiv.org/abs/2209.03042v1
- Date: Wed, 7 Sep 2022 10:16:53 GMT
- ステータス: 処理完了
- システム内更新日: 2022-09-08 13:23:02.043993
- Title: Graph Neural Networks for Low-Energy Event Classification &
Reconstruction in IceCube
- Title(参考訳): 氷塊における低エネルギー事象分類と再構成のためのグラフニューラルネットワーク
- Authors: R. Abbasi, M. Ackermann, J. Adams, N. Aggarwal, J. A. Aguilar, M.
Ahlers, M. Ahrens, J.M. Alameddine, A. A. Alves Jr., N. M. Amin, K. Andeen,
T. Anderson, G. Anton, C. Arg\"uelles, Y. Ashida, S. Athanasiadou, S. Axani,
X. Bai, A. Balagopal V., M. Baricevic, S. W. Barwick, V. Basu, R. Bay, J. J.
Beatty, K.-H. Becker, J. Becker Tjus, J. Beise, C. Bellenghi, S. Benda, S.
BenZvi, D. Berley, E. Bernardini, D. Z. Besson, G. Binder, D. Bindig, E.
Blaufuss, S. Blot, F. Bontempo, J. Y. Book, J. Borowka, C. Boscolo Meneguolo,
S. B\"oser, O. Botner, J. B\"ottcher, E. Bourbeau, J. Braun, B. Brinson, J.
Brostean-Kaiser, R. T. Burley, R. S. Busse, M. A. Campana, E. G.
Carnie-Bronca, C. Chen, Z. Chen, D. Chirkin, K. Choi, B. A. Clark, L.
Classen, A. Coleman, G. H. Collin, A. Connolly, J. M. Conrad, P. Coppin, P.
Correa, S. Countryman, D. F. Cowen, R. Cross, C. Dappen, P. Dave, C. De
Clercq, J. J. DeLaunay, D. Delgado L\'opez, H. Dembinski, K. Deoskar, A.
Desai, P. Desiati, K. D. de Vries, G. de Wasseige, T. DeYoung, A. Diaz, J. C.
D\'iaz-V\'elez, M. Dittmer, H. Dujmovic, M. A. DuVernois, T. Ehrhardt, P.
Eller, R. Engel, H. Erpenbeck, J. Evans, P. A. Evenson, K. L. Fan, A. R.
Fazely, A. Fedynitch, N. Feigl, S. Fiedlschuster, A. T. Fienberg, C. Finley,
L. Fischer, D. Fox, A. Franckowiak, E. Friedman, A. Fritz, P. F\"urst, T. K.
Gaisser, J. Gallagher, E. Ganster, A. Garcia, S. Garrappa, L. Gerhardt, A.
Ghadimi, C. Glaser, T. Glauch, T. Gl\"usenkamp, N. Goehlke, J. G. Gonzalez,
S. Goswami, D. Grant, S. J. Gray, T. Gr\'egoire, S. Griswold, C. G\"unther,
P. Gutjahr, C. Haack, A. Hallgren, R. Halliday, L. Halve, F. Halzen, H.
Hamdaoui, M. Ha Minh, K. Hanson, J. Hardin, A. A. Harnisch, P. Hatch, A.
Haungs, K. Helbing, J. Hellrung, F. Henningsen, L. Heuermann, S. Hickford, C.
Hill, G. C. Hill, K. D. Hoffman, K. Hoshina, W. Hou, T. Huber, K. Hultqvist,
M. H\"unnefeld, R. Hussain, K. Hymon, S. In, N. Iovine, A. Ishihara, M.
Jansson, G. S. Japaridze, M. Jeong, M. Jin, B. J. P. Jones, D. Kang, W. Kang,
X. Kang, A. Kappes, D. Kappesser, L. Kardum, T. Karg, M. Karl, A. Karle, U.
Katz, M. Kauer, J. L. Kelley, A. Kheirandish, K. Kin, J. Kiryluk, S. R.
Klein, A. Kochocki, R. Koirala, H. Kolanoski, T. Kontrimas, L. K\"opke, C.
Kopper, D. J. Koskinen, P. Koundal, M. Kovacevich, M. Kowalski, T. Kozynets,
E. Krupczak, E. Kun, N. Kurahashi, N. Lad, C. Lagunas Gualda, M. J. Larson,
F. Lauber, J. P. Lazar, J. W. Lee, K. Leonard, A. Leszczy\'nska, M. Lincetto,
Q. R. Liu, M. Liubarska, E. Lohfink, C. Love, C. J. Lozano Mariscal, L. Lu,
F. Lucarelli, A. Ludwig, W. Luszczak, Y. Lyu, W. Y. Ma, J. Madsen, K. B. M.
Mahn, Y. Makino, S. Mancina, W. Marie Sainte, I. C. Mari\c{s}, S. Marka, Z.
Marka, M. Marsee, I. Martinez-Soler, R. Maruyama, T. McElroy, F. McNally, J.
V. Mead, K. Meagher, S. Mechbal, A. Medina, M. Meier, S. Meighen-Berger, Y.
Merckx, J. Micallef, D. Mockler, T. Montaruli, R. W. Moore, R. Morse, M.
Moulai, T. Mukherjee, R. Naab, R. Nagai, U. Naumann, A. Nayerhoda, J. Necker,
M. Neumann, H. Niederhausen, M. U. Nisa, S. C. Nowicki, A. Obertacke
Pollmann, M. Oehler, B. Oeyen, A. Olivas, R. Orsoe, J. Osborn, E. O'Sullivan,
H. Pandya, D. V. Pankova, N. Park, G. K. Parker, E. N. Paudel, L. Paul, C.
P\'erez de los Heros, L. Peters, T. C. Petersen, J. Peterson, S. Philippen,
S. Pieper, A. Pizzuto, M. Plum, Y. Popovych, A. Porcelli, M. Prado Rodriguez,
B. Pries, R. Procter-Murphy, G. T. Przybylski, C. Raab, J. Rack-Helleis, M.
Rameez, K. Rawlins, Z. Rechav, A. Rehman, P. Reichherzer, G. Renzi, E.
Resconi, S. Reusch, W. Rhode, M. Richman, B. Riedel, E. J. Roberts, S.
Robertson, S. Rodan, G. Roellinghoff, M. Rongen, C. Rott, T. Ruhe, L. Ruohan,
D. Ryckbosch, D. Rysewyk Cantu, I. Safa, J. Saffer, D. Salazar-Gallegos, P.
Sampathkumar, S. E. Sanchez Herrera, A. Sandrock, M. Santander, S. Sarkar, S.
Sarkar, M. Schaufel, H. Schieler, S. Schindler, B. Schlueter, T. Schmidt, J.
Schneider, F. G. Schr\"oder, L. Schumacher, G. Schwefer, S. Sclafani, D.
Seckel, S. Seunarine, A. Sharma, S. Shefali, N. Shimizu, M. Silva, B.
Skrzypek, B. Smithers, R. Snihur, J. Soedingrekso, A. S{\o}gaard, D. Soldin,
C. Spannfellner, G. M. Spiczak, C. Spiering, M. Stamatikos, T. Stanev, R.
Stein, T. Stezelberger, T. St\"urwald, T. Stuttard, G. W. Sullivan, I.
Taboada, S. Ter-Antonyan, W. G. Thompson, J. Thwaites, S. Tilav, K.
Tollefson, C. T\"onnis, S. Toscano, D. Tosi, A. Trettin, C. F. Tung, R.
Turcotte, J. P. Twagirayezu, B. Ty, M. A. Unland Elorrieta, K. Upshaw, N.
Valtonen-Mattila, J. Vandenbroucke, N. van Eijndhoven, D. Vannerom, J. van
Santen, J. Vara, J. Veitch-Michaelis, S. Verpoest, D. Veske, C. Walck, W.
Wang, T. B. Watson, C. Weaver, P. Weigel, A. Weindl, J. Weldert, C. Wendt, J.
Werthebach, M. Weyrauch, N. Whitehorn, C. H. Wiebusch, N. Willey, D. R.
Williams, M. Wolf, G. Wrede, J. Wulff, X. W. Xu, J. P. Yanez, E. Yildizci, S.
Yoshida, S. Yu, T. Yuan, Z. Zhang, P. Zhelnin
- Abstract要約: アイスキューブイベントの分類と再構築手法としてグラフニューラルネットワーク(GNN)を導入する。
GNNはニュートリノ現象と宇宙線の背景を区別し、異なるニュートリノ事象のタイプを分類し、堆積したエネルギーを再構成することができる。
GNNはアイスキューブのトリガーレート2.7kHzの2.7kHzの約2倍の速度でアイスキューブのイベントを処理することができる。
- 参考スコア(独自算出の注目度): 0.02512334342040507
- License: http://creativecommons.org/licenses/by/4.0/
- 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.
- Abstract(参考訳): 1GeV と 1 PeV の間の大気および天体ニュートリノを検出するために作られた、立方キロメートルの光学センサーであるアイスキューブは、南極点の氷床の表面から 1.45 km まで展開されている。
in-ice検出器からのイベントの分類と再構成は、icecubeのデータ分析において中心的な役割を果たす。
再構成と分類は、不規則な検出器幾何学、不均一な散乱と氷中の光の吸収、100GeV以下では、事象ごとに発生する信号光子の数が比較的少ないためである。
この課題に対処するために、IceCubeイベントをポイントクラウドグラフとして表現し、グラフニューラルネットワーク(GNN)を分類と再構成の手法として使用することができる。
GNNは、ニュートリノ現象と宇宙線の背景を区別し、異なるニュートリノ事象のタイプを分類し、堆積エネルギー、方向および相互作用頂点を再構成することができる。
シミュレーションに基づいて, 既知の系統的不確実性の影響を含む, 現在のアイスキューブ解析で用いられる1-100GeVエネルギー範囲と, 現在の最先端の最大値技術との比較を行った。
ニュートリノ事象分類では、GNNは現在のIceCube法と比較して、固定偽陽性率(FPR)で信号効率を18%向上させる。
あるいは、GNNは固定信号効率でFPRを1因子以上(半パーセント以下)削減する。
エネルギー、方向、相互作用頂点の再構成では、1-30GeVのエネルギー範囲における現在の最大可能性技術と比較して平均13%-20%改善される。
GNNは、GPU上で実行すると、中央値の2.7kHzのアイスキューブトリガーレートの2.7kHzの速度で、アイスキューブイベントを処理できる。
関連論文リスト
- Design and simulation of a transmon qubit chip for Axion detection [103.69390312201169]
超伝導量子ビットに基づくデバイスは、量子非劣化測定(QND)による数GHz単一光子の検出に成功している。
本研究では,Qub-ITの超伝導量子ビットデバイスの実現に向けた状況を示す。
論文 参考訳(メタデータ) (2023-10-08T17:11:42Z) - Conditional normalizing flows for IceCube event reconstruction [0.0]
アイスキューブ・ニュートリノ天文台(英: IceCube Neutrino Observatory)は、南極の氷に設置された立方キロメートルの高エネルギーニュートリノ検出器である。
2つの主要なイベントクラスは電荷電流電子とミューオンニュートリノ相互作用である。
条件付き正規化フローを用いて,これらのクラスに対する方向とエネルギーの推定について検討する。
論文 参考訳(メタデータ) (2023-09-28T12:28:08Z) - 2D Convolutional Neural Network for Event Reconstruction in IceCube
DeepCore [0.0]
IceCube DeepCoreは、GeVスケールの大気ニュートリノ相互作用を測定するために設計されたアイスキューブニュートリノ天文台の拡張である。
他のフレーバーからミューオンニュートリノを除去し、非弾性を再構築することは、特にGeVスケールエネルギーにおいて難しい課題である。
我々はIceCube DeepCoreデータにおける時間と深さの対称性を利用する新しいCNNモデルを提案する。
論文 参考訳(メタデータ) (2023-07-31T02:37:36Z) - Recent neutrino oscillation result with the IceCube experiment [14.645468999921961]
アイスキューブ・サウスポールニュートリノ天文台(IceCube South Pole Neutrino Observatory)は、南極点の1立方キロメートルの氷で観測されるチェレンコフ検出器である。
アイスキューブの主な科学的目標は、天体物理学的な源からTeVニュートリノの放射を検出することである。
物理感度の進歩は、最近、DeepCore検出器におけるニュートリノ相互作用を再構築するために畳み込みニューラルネットワークを用いて達成されている。
論文 参考訳(メタデータ) (2023-07-29T01:12:26Z) - Precision Spectroscopy of Fast, Hot Exotic Isotopes Using Machine
Learning Assisted Event-by-Event Doppler Correction [0.6999740786886537]
高速エキゾチック同位体の高感度・高精度レーザー分光法を実験的に提案する。
高度エネルギーのビームで直接飛行中の分光を行う能力は、ミリ秒の範囲で寿命の短い同位体を研究する特別な機会を与える。
論文 参考訳(メタデータ) (2023-04-25T19:53:59Z) - Quantum Control of Atom-Ion Charge Exchange via Light-induced Conical
Intersections [66.33913750180542]
円錐交差は、2つ以上の断熱的電子ポテンシャルエネルギー表面の間の点または線である。
超低温原子イオン電荷交換反応における有意または測定不可能な非断熱効果を予測した。
円錐相互作用が存在するレーザー周波数窓では、レート係数の差は10-9$cm$3$/s程度になる。
論文 参考訳(メタデータ) (2023-04-15T14:43:21Z) - Interpretable Joint Event-Particle Reconstruction for Neutrino Physics
at NOvA with Sparse CNNs and Transformers [124.29621071934693]
本稿では,畳み込みによって実現される空間学習と,注意によって実現される文脈学習を組み合わせた新しいニューラルネットワークアーキテクチャを提案する。
TransformerCVNは各事象を同時に分類し、各粒子のアイデンティティを再構築する。
このアーキテクチャにより、ネットワークの予測に関する洞察を提供する、いくつかの解釈可能性の研究を行うことができる。
論文 参考訳(メタデータ) (2023-03-10T20:36:23Z) - CubeSat in-orbit validation of in-situ performance by high fidelity
radiation modelling [55.41644538483948]
SpooQy-1 CubeSatミッションは、単一光子検出のためのアバランシェフォトダイオードを用いた偏光に基づく量子エンタングルメント相関を実証した。
2年間にわたって観測された2つのシリコン・ガイガーモード・アバランシェ・フォトダイオードの暗黒数率の増加を報告した。
我々は,光ダイオードに蓄積した変位損傷量を推定するために,高忠実度放射モデルと3次元コンピュータ支援型SpooQy-1 CubeSatの設計モデルを実装した。
論文 参考訳(メタデータ) (2022-09-01T12:33:27Z) - Deep learning techniques for energy clustering in the CMS ECAL [0.0]
CMSにおける電子と光子の再構成は、入射粒子によって堆積されたエネルギーのトポロジカルクラスタリングに依存する。
グラフニューラルネットワーク(GNN)や自己認識アルゴリズムといった最先端のディープラーニングアーキテクチャを活用する新しい手法が研究されている。
論文 参考訳(メタデータ) (2022-04-21T17:23:43Z) - Effects of a nuclear disturbed environment on a quantum free space
optical link [52.77024349608834]
本書は, 地上・衛星・受信システムの信号減衰に及ぼす核分裂大気環境の影響について検討する。
上昇する核雲とその後に輸送された破片を通して伝達される信号の減衰は、気候学的に10kt、100kt、および1山の表面レベルでの爆発をモデル化する。
論文 参考訳(メタデータ) (2021-08-10T19:25:54Z) - Thermal coupling and effect of subharmonic synchronization in a system
of two VO2 based oscillators [55.41644538483948]
本稿では,二酸化バナジウムスイッチングデバイスを用いた振動型ニューラルネットワーク(ONN)の試作について検討する。
カップリングの効果的な作用半径RTCは、スイッチング中に放出される総エネルギーと平均出力に依存する。
強い熱カップリングの場合、振動が存在する供給電流パラメータの限界は10%拡大する。
サブハーモニック同期の効果は、分類とパターン認識への応用を約束する。
論文 参考訳(メタデータ) (2020-01-06T03:26:53Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。