Enhancing Event Reconstruction in Hyper-Kamiokande with Machine Learning: A ResNet Implementation

Cette étude démontre que l'implémentation de réseaux de neurones ResNet dans le cadre WatChMaL permet de reconstruire les événements du futur détecteur Hyper-Kamiokande avec une précision comparable aux méthodes traditionnelles tout en accélérant le traitement d'un facteur de l'ordre de $10^4$, offrant ainsi une solution évolutive pour gérer les vastes ensembles de données requis.

L'essentiel

🌊 Le Super-Héros de l'Eau : Comment l'IA aide à voir l'invisible

Imaginez que vous êtes dans une piscine géante, remplie d'eau ultra-pure, et que des particules invisibles (des neutrinos) traversent l'eau à toute vitesse. Quand ces particules heurtent des atomes d'eau, elles créent une petite étincelle de lumière bleue, un peu comme le sillage lumineux d'un bateau qui va plus vite que les vagues. C'est ce qu'on appelle la lumière Tcherenkov.

Le projet Hyper-Kamiokande est en train de construire la plus grande piscine de ce type au monde (au Japon). Son but ? Comprendre les mystères de l'univers en étudiant ces particules fantômes.

Mais il y a un gros problème : trop de données, pas assez de temps.

🐢 Le Problème : La Tortue vs La Formule 1

Pour analyser ces éclairs de lumière, les scientifiques utilisent des milliers de capteurs (des "yeux" électroniques) sur les murs de la piscine. Traditionnellement, ils utilisent des formules mathématiques très complexes (appelées "algorithmes de vraisemblance") pour reconstituer l'histoire de chaque particule : où elle est entrée, dans quelle direction elle allait, et quelle était son énergie.

C'est comme essayer de résoudre un puzzle de 10 000 pièces en regardant chaque pièce individuellement avec une loupe. C'est très précis, mais c'est extrêmement lent.

• Pour analyser une seule particule, l'ordinateur met environ une minute.
• Pour les études futures, il faudra analyser des milliards de particules. Si on utilise la méthode actuelle, cela prendrait des siècles ! C'est comme vouloir traverser l'océan à la rame alors qu'on a besoin d'un sous-marin.

🚀 La Solution : L'Intelligence Artificielle (Le "ResNet")

Les auteurs de ce papier ont eu une idée brillante : au lieu de faire calculer les mathématiques à la main, ils ont entraîné une Intelligence Artificielle (un réseau de neurones) à "regarder" les photos de ces éclairs de lumière et à deviner l'histoire de la particule instantanément.

Ils ont transformé les données des capteurs en images (comme des cartes de chaleur) et ont utilisé un type d'IA très puissant appelé ResNet (un réseau de neurones profond).

L'analogie du Chef Cuisinier :

• La méthode ancienne (Tortue) : C'est comme un chef qui pèse chaque ingrédient au gramme près, mesure la température de l'eau, et calcule le temps de cuisson exact pour chaque plat. C'est parfait, mais ça prend des heures.
• La nouvelle méthode (IA) : C'est comme un chef cuisinier expérimenté qui a goûté des millions de plats. Il voit l'assiette, sent l'odeur, et dit immédiatement : "C'est un steak saignant, il vient de la ferme X, et il a été cuit 3 minutes". Il ne fait pas les calculs, il reconnaît le motif.

🎯 Ce que l'IA a appris à faire

Dans cette expérience, l'IA a été entraînée sur des simulations pour faire deux choses principales :

1. Identifier la particule : Est-ce un électron ? Un muon ? Un photon ? (C'est comme distinguer un chat d'un chien sur une photo floue).
2. Reconstituer le trajet : Où est-elle entrée ? Dans quelle direction ? Quelle était sa vitesse ?

🏆 Les Résultats : Une Vitesse Éclair

Les résultats sont stupéfiants :

• Précision : L'IA est presque aussi précise que la méthode mathématique lente. Elle ne se trompe pas beaucoup sur la direction ou l'énergie.
• Vitesse : C'est là que ça explose. Là où la méthode lente prenait une minute par particule, l'IA le fait en 1 à 2 millisecondes.
  • En langage simple : L'IA est 30 000 à 50 000 fois plus rapide.
  • L'analogie : Si la méthode ancienne prenait un an pour analyser toutes les données, l'IA le ferait en quelques heures.

🧩 Pourquoi c'est important ?

Grâce à cette vitesse, les scientifiques pourront enfin analyser les énormes quantités de données nécessaires pour détecter des phénomènes très rares, comme la violation de la symétrie CP (qui pourrait expliquer pourquoi l'univers est fait de matière et pas d'antimatière).

De plus, l'IA est très robuste. Même si la particule passe très près du mur de la piscine (ce qui rend la lumière difficile à voir pour les méthodes classiques), l'IA arrive souvent à deviner la bonne réponse là où les mathématiques traditionnelles échouent.

En résumé

Ce papier nous dit que pour explorer les secrets de l'univers avec le futur détecteur Hyper-Kamiokande, nous n'avons plus besoin de compter chaque goutte d'eau à la main. Nous avons appris à notre ordinateur à voir comme un expert, mais à la vitesse de la lumière. C'est un changement de paradigme qui rendra la physique des particules beaucoup plus rapide et plus efficace.

Résumé technique

1. Contexte et Problématique

L'expérience Hyper-Kamiokande (HK), actuellement en construction au Japon, vise à mesurer avec une précision inédite les paramètres d'oscillation des neutrinos, en particulier la phase de violation de CP ($\delta_{CP}$). Pour atteindre ces objectifs, l'expérience nécessitera des ensembles de données de simulation Monte Carlo (MC) massifs et systématiquement variés pour maîtriser les incertitudes systématiques.

Le problème central identifié par les auteurs réside dans le coût computationnel des méthodes de reconstruction traditionnelles basées sur la vraisemblance maximale (comme l'algorithme fiTQun). Bien que ces méthodes fournissent une reconstruction de haute qualité, leur temps de calcul par événement (de l'ordre de la minute) rend la production de ces vastes échantillons MC prohibitif. De plus, ces algorithmes traditionnels peinent parfois avec des topologies d'événements complexes (anneaux de Cherenkov superposés, vertices proches des parois) et nécessitent des coupes de volume fiduciel agressives.

2. Méthodologie

Les auteurs proposent une approche de reconstruction basée sur l'apprentissage profond (Deep Learning) utilisant des Réseaux de Neurones Convolutifs Résiduels (ResNet).

• Données d'entrée : Les données brutes du détecteur (charges et temps d'arrivée des photons sur les tubes photomultiplicateurs - PMT) sont transformées en images 2D de taille 190 × 189 pixels. Chaque pixel correspond à un PMT de 50 cm. L'image possède deux canaux : le temps d'impact (en ns) et la charge intégrée (en photo-électrons). Une rotation de 45° est appliquée pour aligner les PMT sur une grille régulière.
• Architecture du modèle : L'étude utilise des architectures ResNet-152 (implémentées via le framework WatChMaL). Sept modèles distincts sont entraînés :
  • Trois modèles de régression pour les électrons (vertex, direction, énergie).
  • Trois modèles de régression pour les muons (vertex, direction, énergie).
  • Un modèle de classification à quatre classes pour l'identification des particules ($e, \mu, \gamma, \pi^0$).
• Données d'entraînement : Les données sont générées avec le simulateur WCSim pour des événements de particules uniques (électrons, muons, paires $e^+e^-$ issues de photons, et pions neutres) avec des énergies cinétiques allant du seuil de Cherenkov jusqu'à 2 GeV.
• Fonctions de perte : Des fonctions de perte spécifiques sont utilisées, notamment une perte de Huber relative pour la régression de l'énergie afin de ne pas surpondérer les erreurs à haute énergie.

3. Contributions Clés

• Première application au détecteur lointain : C'est la première étude appliquant des méthodes d'apprentissage profond à la géométrie complète du détecteur lointain d'Hyper-Kamiokande (258 kton).
• Accélération massive : L'approche démontre une réduction drastique du temps de calcul tout en maintenant une précision comparable aux méthodes traditionnelles.
• Classification avancée : Mise en place d'un classificateur capable de distinguer non seulement les muons des électrons, mais aussi les électrons des photons ($\gamma$) et des pions neutres ($\pi^0$), une tâche particulièrement difficile pour les méthodes traditionnelles (notamment la séparation $e-\gamma$).

4. Résultats Principaux

Les performances sont évaluées sur des ensembles de test indépendants et comparées aux résultats de l'analyse d'oscillation atmosphérique de Super-Kamiokande (SK-IV) utilisant fiTQun.

A. Régression Cinématique (Vertex, Direction, Impulsion)

• Résolution en impulsion :
  • Muons : 1,35 % (moyenne sur la plage cinématique).
  • Électrons : 2,39 %.
  • Ces résultats sont comparables, voire supérieurs dans certaines plages, aux performances de fiTQun.
• Résolution angulaire :
  • Muons : 1,25°.
  • Électrons : 1,94°.
• Résolution du vertex :
  • Muons : 28,2 cm.
  • Électrons : 25,4 cm.
• Robustesse : Les modèles maintiennent de bonnes performances même pour les événements proches des parois du détecteur, là où les algorithmes traditionnels dégradent souvent leur précision.

B. Classification des Particules

Les modèles surpassent fiTQun sur les tâches de classification, mesurées par l'aire sous la courbe ROC (AUC) :

• Séparation $e$ vs $\mu$ : AUC de 0,9999992 (séparation quasi parfaite).
• Séparation $e$ vs $\pi^0$ : AUC de 0,9526 (amélioration significative par rapport au bruit de fond).
• Séparation $e$ vs $\gamma$ : AUC de 0,633. C'est une avancée majeure car une séparation directe $e-\gamma$ n'avait jamais été réalisée avec succès par des méthodes basées sur la vraisemblance dans Super-Kamiokande.

C. Performance Computationnelle

C'est le résultat le plus impactant pour l'expérience :

• Temps d'inférence : 1 à 2 ms par événement sur une seule carte graphique (NVIDIA A100).
• Gain de vitesse : Un facteur d'accélération de $3,2 \times 10^4$ à $5,2 \times 10^4$ par rapport à fiTQun (qui prend environ 54 à 67 secondes par événement).

5. Signification et Perspectives

Cette étude démontre que l'apprentissage profond est une alternative scalable et efficace pour la reconstruction des événements dans Hyper-Kamiokande.

• Viabilité des analyses de précision : La réduction du temps de calcul rend réalisable la production des énormes échantillons Monte Carlo nécessaires pour les études de sensibilité à la violation de CP et aux ordres de masse, en permettant de propager facilement les variations systématiques (flux, section efficace, réponse du détecteur).
• Réduction des biais de sélection : La robustesse des réseaux de neurones face aux topologies complexes (près des parois, faible statistique de photons) pourrait permettre de réduire les coupes de volume fiduciel agressives, augmentant ainsi le taux d'événements utilisables.
• Avenir : Bien que les algorithmes traditionnels restent nécessaires pour l'étalonnage fin et les vérifications croisées, les modèles ML peuvent devenir l'outil principal pour la production à grande échelle. Les travaux futurs viseront à étendre ces méthodes à des topologies d'événements plus complexes (multi-anneaux, états finals multiparticules).

En conclusion, ce travail valide l'utilisation des ResNet pour la reconstruction des neutrinos dans Hyper-Kamiokande, offrant un compromis optimal entre précision physique et efficacité computationnelle.