基于图神经网络与变换器的 IceCube 极高能中子选取改进
高能天体物理现象
2025-07-17 v1
摘要
KM3NeT 近期报告检测到一次非常高能中子事件，而 IceCube 此前仅设定了能量超过 100 PeV 时微分中子通量的上限，尚未观测到能量与 KM3NeT 检测相当的中子事件。为改进 10 PeV 以上范围内的扩散测量，我们应用机器学习技术以提升大气μ子背景抑制与方向重建效果。我们利用图神经网络（GNN）执行分类任务，以区分中子与高能大气μ子。该方法无需依赖方向重建作为先验，即可对抑制来自宇宙射电喷流中横向扩散、低能μ子的早期命中事件。此外，采用变换器（Transformer）构建的神经网络用于方向重建。不同于以往假设单一μ子轨迹的似然型快速重建算法，本方法对粒子在探测器内的事件拓扑结构不作任何先验假设。我们展示了运用机器学习技术后获得的改进背景抑制与重建性能。文中也讨论了应用于未来极高能（EHE）选取开发的可能性。
引用
@article{arxiv.2507.11774,
title = {Enhancements to the IceCube Extremely High Energy Neutrino Selection using Graph & Transformer Based Neural Networks},
author = {Maxwell Nakos and Aske Rosted and Lu Lu},
journal= {arXiv preprint arXiv:2507.11774},
year = {2025}
}
备注
Presented at the 39th International Cosmic Ray Conference (ICRC2025)