Antimatter Annihilation Vertex Reconstruction with Deep Learning for ALPHA-g Radial Time Projection Chamber

要約

CERNでのAlpha-G実験は、抗水素原子の陸生重力加速度を正確に測定することを目的としています。
アルファ-G磁気トラップを囲む放射状時間投影チャンバー（RTPC）は、頂点と呼ばれる消滅位置を決定するために使用されます。
標準的なアプローチでは、ガス内の相互作用の位置からRTPCのイオン化粒子の軌跡を識別し、それらの軌跡（ヘリックス）が互いに最も近くを通過するポイントを見つけることにより頂点の位置を推測する必要があります。
この作業では、ポイントネットのディープラーニングアーキテクチャに基づいたモデルのアンサンブルを使用して、頂点再構成に対する新しいアプローチを提示します。
新たに開発されたモデルである消滅再構築のポイントネットアンサンブル（PEAR）は、頂点とRTPCの宇宙堆積物との関係を直接学習し、粒子トラックを識別して適合させる必要性を排除します。
Pearは、シミュレートされたデータから垂直頂点位置を再構築する際の強力なパフォーマンスを示しています。これは、考慮されるすべてのメトリックの標準的なアプローチよりも優れています。
さらに、深い学習アプローチは、標準的なアプローチが失敗したときに垂直頂点の位置を再構築できます。

要約(オリジナル)

The ALPHA-g experiment at CERN aims to precisely measure the terrestrial gravitational acceleration of antihydrogen atoms. A radial Time Projection Chamber (rTPC), that surrounds the ALPHA-g magnetic trap, is employed to determine the annihilation location, called the vertex. The standard approach requires identifying the trajectories of the ionizing particles in the rTPC from the location of their interaction in the gas (spacepoints), and inferring the vertex positions by finding the point where those trajectories (helices) pass closest to one another. In this work, we present a novel approach to vertex reconstruction using an ensemble of models based on the PointNet deep learning architecture. The newly developed model, PointNet Ensemble for Annihilation Reconstruction (PEAR), directly learns the relation between the location of the vertices and the rTPC spacepoints, thus eliminating the need to identify and fit the particle tracks. PEAR shows strong performance in reconstructing vertical vertex positions from simulated data, that is superior to the standard approach for all metrics considered. Furthermore, the deep learning approach can reconstruct the vertical vertex position when the standard approach fails.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google