面向粒子成像探测器的可扩展端到端深度学习数据重建链
高能物理 - 实验
2021-02-02 v1 计算机视觉与模式识别
摘要
计算机视觉(CV)与机器学习(ML)近期的进展推动了粒子成像探测器数据分析新方法的出现。与以往处理孤立 CV 任务的工作不同,本文介绍了一种端到端、基于 ML 的 Liquid Argon Time Projection Chambers (LArTPCs) 数据重建链,LArTPC 是中微子物理强度前沿精密成像的尖端技术。该链是一个多任务网络级联,结合使用稀疏卷积神经网络进行体素级特征提取,以及使用图神经网络进行粒子超结构形成。每种算法都融入了物理启发的归纳偏置,而其整体层次结构用于强制因果结构。输出是对事件的综合描述,可用于高层物理推断。该链可端到端优化,消除了耗时的手动软件调整需求。它也是首个处理深度地下中微子实验(DUNE)的 3D 成像 LArTPC 中预期的数十个高能中微子相互作用前所未有堆积的实现。该链作为整体训练,并使用开放的模拟数据集在每一步评估其性能。
引用
@article{arxiv.2102.01033,
title = {Scalable, End-to-End, Deep-Learning-Based Data Reconstruction Chain for Particle Imaging Detectors},
author = {Francois Drielsma and Kazuhiro Terao and Laura Dominé and Dae Heun Koh},
journal= {arXiv preprint arXiv:2102.01033},
year = {2021}
}
备注
Third Workshop on Machine Learning and the Physical Sciences (NeurIPS 2020), Vancouver, Canada