用于中微子望远镜中 $\mu$ 子快速重建的混合图神经网络方法
高能物理 - 实验
2025-11-10 v4
摘要
快速且准确的 子重建对于中微子望远镜提高实验灵敏度并实现在线触发至关重要。本文介绍了一种专为高效 子径迹重建量身定制的混合图神经网络 (Graph Neural Network, GNN) 方法，该方法利用了 GNN 的鲁棒性以及传统的基于物理的方法。“轻量 GNN 模型”在 GPU 上实现了每事件 0.19-0.29 ms 的运行时间，与传统的基于似然的方法相比实现了 3 个数量级的加速，同时保持了高重建精度。对于高能 子（10-100 TeV），中值角度误差约为 0.1{\deg}，重建的 Cherenkov 光子发射位置误差低于 3-5 m，具体取决于所使用的 GNN 模型。此外，半 GNN 方法提供了一种评估事件重建质量的机制，能够识别并排除重建质量差的事件。这些结果确立了基于 GNN 的方法作为下一代中微子望远镜数据重建的有前途的解决方案。
引用
@article{arxiv.2505.23425,
title = {Hybrid-graph neural network method for muon fast reconstruction in neutrino telescopes},
author = {Cen Mo and Liang Li},
journal= {arXiv preprint arXiv:2505.23425},
year = {2025}
}