用于天体粒子物理实验中相互作用定位的域信息神经网络
高能物理 - 实验
2022-06-16 v2 机器学习
摘要
本工作提出一种用于实验粒子物理的域信息神经网络架构，以利用时间投影室（TPC）技术进行暗物质研究的粒子相互作用定位作为示例应用。TPC 内产生的信号的一个关键特征是它们可通过称为重建的过程实现粒子相互作用的定位。虽然多层感知机（MLPs）已成为 TPC 中重建的有力竞争者，但此类黑盒方法并未反映底层科学过程的先验知识。本文重新审视基于神经网络的相互作用定位，并将先验探测器知识（包括信号特征与探测器几何）编码到多层神经网络的特徵编码层与输出层中。由此得到的域信息神经网络（DiNN）限制了初始特徵编码层中神经元的感受野，以考虑 TPC 内产生信号的空间局部性。DiNN 的这一方面与新兴的图神经网络领域有相似之处，即初始层中的神经元仅连接到其后一层中的少数神经元，与 MLP 相比显著减少了网络参数数量。此外，为考虑探测器几何，网络的输出层经两种几何变换修改，以确保 DiNN 在探测器内部产生定位。最终得到的神经网络架构参数比 MLP 少 60%，但仍取得相似的定位性能，并因能将额外域知识编码进架构而提供了未来性能提升的架构发展路径。
引用
@article{arxiv.2112.07995,
title = {Domain-informed neural networks for interaction localization within astroparticle experiments},
author = {Shixiao Liang and Aaron Higuera and Christina Peters and Venkat Roy and Waheed U. Bajwa and Hagit Shatkay and Christopher D. Tunnell},
journal= {arXiv preprint arXiv:2112.07995},
year = {2022}
}
备注
18 pages, 10 figures. Updated to the published version