Trigger-Level Event Reconstruction for Neutrino Telescopes Using Sparse Submanifold Convolutional Neural Networks

要約

畳み込みニューラル ネットワーク (CNN) は、ニュートリノ望遠鏡を含む科学データ分析で広範なアプリケーションを見てきました。
ただし、これらの実験から得られたデータは、CNN に対して、非規則的なジオメトリ、スパース性、高次元などの多くの課題を提示します。
その結果、CNN はニュートリノ望遠鏡のデータに対して非常に非効率的であり、情報の損失につながる重要な前処理が必要です。
これらの問題の解決策としてスパース部分多様体畳み込み (SSCNN) を提案し、SSCNN イベント再構成のパフォーマンスが従来のアルゴリズムや機械学習アルゴリズムと同等かそれ以上であることを示します。
さらに、当社の SSCNN は、GPU 上の従来の CNN よりも約 16 倍高速に実行されます。
この高速化の結果、IceCube スケールのニュートリノ望遠鏡のトリガーレベルのイベントレートを処理できるようになると予想されます。
これらのネットワークを使用して、ニュートリノのエネルギーと方向の最初の推定を改善し、より高度な再構成を開始したり、この情報をアラート送信システムに提供して興味深いイベントを迅速にフォローアップしたりすることができます。

要約(オリジナル)

Convolutional neural networks (CNNs) have seen extensive applications in scientific data analysis, including in neutrino telescopes. However, the data from these experiments present numerous challenges to CNNs, such as non-regular geometry, sparsity, and high dimensionality. Consequently, CNNs are highly inefficient on neutrino telescope data, and require significant pre-processing that results in information loss. We propose sparse submanifold convolutions (SSCNNs) as a solution to these issues and show that the SSCNN event reconstruction performance is comparable to or better than traditional and machine learning algorithms. Additionally, our SSCNN runs approximately 16 times faster than a traditional CNN on a GPU. As a result of this speedup, it is expected to be capable of handling the trigger-level event rate of IceCube-scale neutrino telescopes. These networks could be used to improve the first estimation of the neutrino energy and direction to seed more advanced reconstructions, or to provide this information to an alert-sending system to quickly follow-up interesting events.

arxiv情報

提供元, 利用サービス

arxiv.jp, Google