利用图神经网络在液氩时间投影室数据中对电磁簇射与粒子相互作用进行聚类
仪器与探测器
2020-12-16 v3 计算机视觉与模式识别
摘要
液氩时间投影室（LArTPCs）是一类在其灵敏体积内产生带电粒子高分辨率图像的探测器。在这些图像中，将不同粒子聚为超结构对当前及未来中微子物理研究至关重要。电磁（EM）活动通常呈现空间上分离、形态与取向各异的碎片，传统算法难以高效组装。类似地，探测器中空间上相互远离的粒子可能源自同一次相互作用。图神经网络（GNNs）近年被发展用于发现嵌入任意空间中物体间的相关性。图粒子聚合器（GrapPA）首先利用 GNNs 预测 EM 簇射碎片的邻接矩阵并识别簇射起源即主碎片。在 PILArNet 公开 LArTPC 模拟数据集上，该算法达到以平均调整兰德指数（ARI）97.8% 表征的簇射聚类精度及 99.8% 的主碎片识别精度。其相对簇射能量分辨率为 ，簇射方向分辨率为 。优化后算法随后应用于将粒子实例聚类为相互作用的相关任务，在相互作用密度 下取得平均 ARI 99.2%。
引用
@article{arxiv.2007.01335,
title = {Clustering of Electromagnetic Showers and Particle Interactions with Graph Neural Networks in Liquid Argon Time Projection Chambers Data},
author = {Francois Drielsma and Qing Lin and Pierre Côte de Soux and Laura Dominé and Ran Itay and Dae Heun Koh and Bradley J. Nelson and Kazuhiro Terao and Ka Vang Tsang and Tracy L. Usher},
journal= {arXiv preprint arXiv:2007.01335},
year = {2020}
}