論文の概要: NuBench: An Open Benchmark for Deep Learning-Based Event Reconstruction in Neutrino Telescopes

• arxiv url: http://arxiv.org/abs/2511.13111v2
• Date: Wed, 19 Nov 2025 08:23:15 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-11-20 13:41:21.105446
• Title: NuBench: An Open Benchmark for Deep Learning-Based Event Reconstruction in Neutrino Telescopes
• Title（参考訳）: NuBench:ニュートリノ望遠鏡におけるディープラーニングに基づくイベント再構成のためのオープンベンチマーク
• Authors: Rasmus F. Orsoe, Stephan Meighen-Berger, Jeffrey Lazar, Jorge Prado, Ivan Mozun-Mateo, Aske Rosted, Philip Weigel, Arturo Llorente Anaya,
• Abstract要約: ニュートリノ望遠鏡における深層学習に基づくイベント再構成のためのオープンベンチマークであるNuBenchを紹介する。 NuBenchは、約1億3000万の電荷と中性電流のミューオンニュートリノ相互作用を含む7つの大規模なシミュレーションデータセットで構成されている。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Neutrino telescopes are large-scale detectors designed to observe Cherenkov radiation produced from neutrino interactions in water or ice. They exist to identify extraterrestrial neutrino sources and to probe fundamental questions pertaining to the elusive neutrino itself. A central challenge common across neutrino telescopes is to solve a series of inverse problems known as event reconstruction, which seeks to resolve properties of the incident neutrino, based on the detected Cherenkov light. In recent times, significant efforts have been made in adapting advances from deep learning research to event reconstruction, as such techniques provide several benefits over traditional methods. While a large degree of similarity in reconstruction needs and low-level data exists, cross-experimental collaboration has been hindered by a lack of diverse open-source datasets for comparing methods. We present NuBench, an open benchmark for deep learning-based event reconstruction in neutrino telescopes. NuBench comprises seven large-scale simulated datasets containing nearly 130 million charged- and neutral-current muon-neutrino interactions spanning 10 GeV to 100 TeV, generated across six detector geometries inspired by existing and proposed experiments. These datasets provide pulse- and event-level information suitable for developing and comparing machine-learning reconstruction methods in both water and ice environments. Using NuBench, we evaluate four reconstruction algorithms - ParticleNeT and DynEdge, both actively used within the KM3NeT and IceCube collaborations, respectively, along with GRIT and DeepIce - on up to five core tasks: energy and direction reconstruction, topology classification, interaction vertex prediction, and inelasticity estimation.
• Abstract（参考訳）: ニュートリノ望遠鏡は、水や氷のニュートリノ相互作用から発生するチェレンコフ放射を観測するために設計された大規模な検出器である。 これらは、地球外ニュートリノ源を同定し、溶出ニュートリノ自体に関する基本的な疑問を調査するために存在する。 ニュートリノ望遠鏡に共通する中心的な課題は、チェレンコフ光に基づいて入射ニュートリノの性質を解決しようとする事象再構成と呼ばれる一連の逆問題を解決することである。 近年, 深層学習研究からイベント再構築への展開に多大な努力が払われており, 従来の手法よりもいくつかのメリットが得られている。 再構築ニーズと低レベルのデータにかなりの類似性が存在する一方で、クロス実験的なコラボレーションは、メソッドを比較するためのさまざまなオープンソースデータセットの欠如によって妨げられている。 ニュートリノ望遠鏡における深層学習に基づくイベント再構成のためのオープンベンチマークであるNuBenchを紹介する。 NuBenchは、10GeVから100TeVにまたがる1億3000万近い電荷と中性電流のミューオンニュートリノ相互作用を含む7つの大規模なシミュレーションデータセットで構成されており、既存の実験や提案された実験にインスパイアされた6つの検出器領域で生成される。 これらのデータセットは、水と氷の環境の両方で機械学習再構成手法の開発と比較に適したパルスレベルおよびイベントレベル情報を提供する。 NuBench を用いて,KM3NeT と IceCube のコラボレーションで,それぞれに GRIT と DeepIce の5つのコアタスク – エネルギーと方向の再構成,トポロジの分類,対話頂点予測,非弾性推定 – の4つの再構成アルゴリズムを評価した。

関連論文リスト

• Fast and Reliable Probabilistic Reflectometry Inversion with Prior-Amortized Neural Posterior Estimation [73.81105275628751]
  リフレクションメトリデータと互換性のある全ての構造を見つけることは、標準アルゴリズムでは計算が禁止される。 この信頼性の欠如に対処するため,確率論的深層学習法を用いて,現実的な構造を数秒で識別する。 提案手法は,シミュレーションに基づく推論と新しい適応型事前推定を併用する。
  論文  参考訳（メタデータ） (2024-07-26T10:29:16Z)
• Neutrino Reconstruction in TRIDENT Based on Graph Neural Network [6.301679261460378]
  トロピカルディープシーニュートリノ望遠鏡(TropIcal Deep-sea Neutrino Telescope, TRIDENT)は、南シナ海に位置する次世代ニュートリノ望遠鏡である。
  論文  参考訳（メタデータ） (2024-01-27T06:57:24Z)
• 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)
• 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)
• Trapped-Ion Quantum Simulation of Collective Neutrino Oscillations [55.41644538483948]
  量子計算を用いて,Nニュートリノ系のコヒーレントな集団振動を2成分近似でシミュレートする手法について検討した。 第2次トロッタースズキ公式を用いたゲート複雑性は,量子信号処理などの他の分解方法よりも,システムサイズに優れることがわかった。
  論文  参考訳（メタデータ） (2022-07-07T09:39:40Z)
• Geo-NI: Geometry-aware Neural Interpolation for Light Field Rendering [58.30139863914237]
  光場レンダリングのためのGeo-NI(Geometry-aware Neural Interpolation)フレームワークを提案する。 NIとDIBRの優位性を組み合わせることで、提案したGeo-NIは、大きな差異でビューをレンダリングすることができる。
  論文  参考訳（メタデータ） (2022-06-20T12:25:34Z)
• Spectral density reconstruction with Chebyshev polynomials [77.34726150561087]
  厳密な誤差推定で有限エネルギー分解能の制御可能な再構成を行う方法を示す。 これは、核と凝縮物質物理学における将来の応用の道を開くものである。
  論文  参考訳（メタデータ） (2021-10-05T15:16:13Z)
• Simulation of Collective Neutrino Oscillations on a Quantum Computer [117.44028458220427]
  本稿では,現在発生している量子デバイスを用いたニュートリノ相互作用系の最初のシミュレーションを行う。 量子ビットの自然接続における制限を克服し、それをリアルタイムに絡み合いの進化を追跡する戦略を導入する。
  論文  参考訳（メタデータ） (2021-02-24T20:51:25Z)
• A Convolutional Neural Network based Cascade Reconstruction for the IceCube Neutrino Observatory [0.4282223735043171]
  ディープニューラルネットワークは非常に強力であり、ネットワークをトレーニングすればその使用は計算的に安価になる。 畳み込み構造と六角形カーネルに基づく再構成法を提案する。 それは2から3桁の規模で再建を実行するために必要な時間を短縮しながら、再建の精度を向上させることができます。
  論文  参考訳（メタデータ） (2021-01-27T18:34:58Z)
• Deep-Learning-Based Kinematic Reconstruction for DUNE [7.1117771577210664]
  Deep Underground Neutrino Experiment (DUNE)は、次世代の長周期ニュートリノ振動実験である。 最終状態粒子方向とエネルギーの再構成とニュートリノエネルギーのための2次元と3次元のCNNに基づく2つの手法を提案する。
  論文  参考訳（メタデータ） (2020-12-11T08:15:23Z)

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。