基于深度图神经网络的 neutrino 实验电磁簇射分割
机器学习
2022-01-05 v6 高能物理 - 实验
摘要
我们提出了一种前所未有的算法，用于从电磁（EM）采样量能器采集的数据中重建多个簇射。此类探测器在高能物理中广泛用于测量入射粒子的能量与运动学特征。本文考虑多电子穿过乳化云室（ECC）砖并引发电子诱导电磁簇射的情形，这在长曝光时间或大剂量输入粒子通量时可能出现。例如，SHiP 实验计划使用乳化探测器进行暗物质搜寻与中微子物理研究。SHiP 实验预期的五年总通量约为 10^20 个粒子。为降低与 ECC 砖更换及离线数据获取（乳化扫描）相关的实验成本，决定延长曝光时间。因此，我们预期会观测到大量重叠簇射，这使得 EM 簇射重建成为一个极具挑战性的点云分割问题。我们的重建流程由一个预测邻接矩阵的图神经网络与一种聚类算法组成。我们提出了一种新层类型（EmulsionConv），其考虑了 ECC 砖中簇射发展的几何特性。对于重叠簇射的聚类，我们采用了一种改进的基于层次密度的聚类算法。我们的方法不使用任何关于入射粒子的先验信息，并在乳化探测器中识别出多达 87% 的电磁簇射。该电磁簇射重建算法的主要测试平台将为 SND@LHC。
引用
@article{arxiv.2104.02040,
title = {Segmentation of EM showers for neutrino experiments with deep graph neural networks},
author = {Vladislav Belavin and Ekaterina Trofimova and Andrey Ustyuzhanin},
journal= {arXiv preprint arXiv:2104.02040},
year = {2022}
}
备注
29 pages, 27 figures