JUNO 中基于机器学习方法的顶点与能量重建

江门地下中微子观测站（JUNO）是一项旨在研究中微子振荡的实验。确定中微子质量顺序并精确测量中微子振荡参数 $\sin^2 2\theta_{12}$、$\Delta m^2_{21}$ 和 $\Delta m^2_{32}$ 是该实验的主要目标。超越振荡分析的丰富物理计划亦在预期之中。准确重建 JUNO 中粒子相互作用事件的能力对实验的成功至关重要。在本工作中，我们呈现了几种应用于顶点与能量重建的机器学习方法。我们比较并研究了多种模型与架构，包括提升决策树（BDT）、深度神经网络（DNN）、若干基于 ResNet 和 VGG 的卷积神经网络（CNN），以及基于 DeepSphere 的图神经网络。基于使用官方 JUNO 软件生成的数据集进行的研究，我们证明机器学习方法达到了实现 JUNO 物理目标所需的精度水平：能量在 $E_\text{vis}=1~\text{MeV}$ 时 $\sigma_E=3\%$，位置在 $E_\text{vis}=1~\text{MeV}$ 时 $\sigma_{x,y,z}=10~\text{cm}$。