基于稀疏 CNN 与 Transformer 的 NOvA 中微子物理可解释联合事件-粒子重建
机器学习
2023-03-14 v1
摘要
在 NOvA 长基线中微子振荡实验中观测到的复杂事件，包含理解标准模型中最难以捉摸的粒子的重要信息。NOvA 探测器观测来自费米实验室 NuMI 束流的中微子相互作用。将这些相互作用事件中产生的粒子关联到其源粒子（称为重建的过程）对于精确测量标准模型的关键参数至关重要。事件可能包含多个粒子，每个粒子产生稀疏的高维空间观测，而现有方法仅限于评估单个粒子。为了准确标记这些大量高维观测，我们提出了一种结合卷积带来的空间学习与注意力带来的上下文学习的新颖神经网络架构。这种联合方法 TransformerCVN 同时对每个事件进行分类并重建每个单独粒子的身份。TransformerCVN 以 90% 的准确率对事件分类，并比缺乏 TransformerCVN 集成架构的基线方法在单个粒子重建上提升 6%。此外，该架构使我们能够进行若干可解释性研究，从而洞察网络预测，并表明 TransformerCVN 发现了若干源自标准模型的基本原理。
引用
@article{arxiv.2303.06201,
title = {Interpretable Joint Event-Particle Reconstruction for Neutrino Physics at NOvA with Sparse CNNs and Transformers},
author = {Alexander Shmakov and Alejandro Yankelevich and Jianming Bian and Pierre Baldi},
journal= {arXiv preprint arXiv:2303.06201},
year = {2023}
}