Suppression of Neutron Background using Deep Neural Network and Fourier Frequency Analysis at the KOTO Experiment

J-PARC の KOTO 実験において、深層畳み込みニューラルネットワークとフーリエ周波数解析を用いた 2 手法により、中性子背景事象を $5.6\times10^5$ 倍抑制しつつ希少崩壊 $K^0_L\rightarrow\pi^0\nu\bar{\nu}$ の検出効率を 70% 維持することに成功しました。

要約

この論文は、日本の「J-PARC（加速器）」で行われている「KOTO実験」という、宇宙の謎を解き明かすための壮大な探検について書かれています。

簡単に言うと、**「見えない粒子（ニュートリノ）の痕跡を探すために、邪魔な『ノイズ（中性子）』を、AI と数学の魔法を使って見事に消し去ることに成功した」**というお話です。

以下に、専門用語を避け、日常の例えを使って解説します。

---

1. 探検の目的：「幽霊」を探す KOTO 実験

KOTO 実験の目的は、**「K0L（カオン）という粒子が、消えてしまう瞬間」を観測することです。
この粒子は、ある特定の条件下で、「2 つの光（光子）」と「2 つの幽霊（ニュートリノ）」**に姿を変えて消えます。

• 光（光子）： 検出器にぶつかって「ピカッ！」と光ります。
• 幽霊（ニュートリノ）： 検出器をすり抜けて、何も残しません。

つまり、実験室の中で**「突然、2 つの光が点滅したのに、その光の元（粒子）がどこへ行ったか分からない」**という現象を見つけ出せば、それが「幽霊（ニュートリノ）が逃げた証拠」だとわかります。

2. 最大の敵：「イタズラっ子」の中性子

しかし、実験には大きな問題がありました。
本物の「光（光子）」と見分けがつかない**「イタズラっ子（中性子）」**が大量に混ざり込んでくるのです。

• 本物の光： 2 つの光がきれいに並んで現れます。
• イタズラっ子（中性子）： 壁にぶつかって跳ね返り、偶然 2 つの光のような痕跡を作ります。

これらは見分けがつかないほど似ているため、**「本当に幽霊を見たのか、それともイタズラっ子のいたずらだったのか」**を判別するのが、この実験の最大の難関でした。

3. 解決策：2 つの「魔法のフィルター」

研究チームは、このイタズラっ子を退治するために、2 つの新しい「魔法のフィルター」を開発しました。

魔法その 1：AI による「足跡の鑑識」（クラスター形状の分析）

検出器には、2700 個以上の「結晶（CsI）」が敷き詰められています。粒子がぶつかると、その結晶の群れに「足跡（エネルギーの広がり方）」が残ります。

• 光の足跡： 丸くて、対称的で、整った形（まるできれいな花のよう）。
• 中性子の足跡： 歪んでいて、不規則な形（まるで泥団子を投げつけたような感じ）。

研究チームは、「深層学習（ディープラーニング）」という AIに、この「花」と「泥団子」の画像を何万枚も見せました。AI は人間には見えない微細な違いを学習し、**「これは光だ！」「これは中性子だ！」**と瞬時に判断するようになりました。
（まるで、プロの鑑識官が、足跡の形だけで「犯人は誰か」を当ててしまうようなものです）。

魔法その 2：数学による「音の分析」（パルス形状の Fourier 解析）

粒子がぶつかったとき、検出器は電気信号（パルス）を出力します。

• 光の音： 短くて、ピュッ！と終わる、きれいな音。
• 中性子の音： 尾を引いて、ジワジワと長く続く、こもった音。

研究チームは、**「フーリエ変換」という数学の道具を使って、この電気信号を「音の周波数（音階）」に分解しました。
「低い音（長い尾）」が多いか、「高い音（短い音）」が多いかを分析することで、「これは光の音だ！」「これは中性子の音だ！」**と見分けることができました。
（まるで、歌手の声を録音して、その声質の周波数分析で「プロの歌手か、素人か」を見極めるようなものです）。

4. 結果：驚異的な「ノイズ消し」の成功

この 2 つの魔法（AI と数学）を組み合わせることで、素晴らしい結果が出ました。

• イタズラっ子（中性子）の排除率： 約 56 万倍 も減らすことができました！
  （100 万匹のネズミがいたら、たった 2 匹しか残らないレベルです）。
• 本物の発見率： 一方で、本当に探している「幽霊（K0L の崩壊）」を見逃すことなく、約 70% の確率で捉え続けることができました。

まとめ

この論文は、「AI（人工知能）」と「数学（フーリエ解析）」という 2 つの強力な武器を使って、実験の邪魔をするノイズを 56 万倍も減らし、宇宙の謎（ニュートリノ）を探すための道筋をクリアにしたという、画期的な成果を報告したものです。

これにより、KOTO 実験は、これまで以上に鋭敏な「幽霊狩り」ができるようになり、宇宙の成り立ちに迫る重要な一歩を踏み出しました。

技術概要

以下は、提示された論文「Suppression of Neutron Background using Deep Neural Network and Fourier Frequency Analysis at the KOTO Experiment（KOTO 実験における深層ニューラルネットワークとフーリエ周波数解析を用いた中性子背景の抑制）」の技術的サマリーです。

1. 課題 (Problem)

KOTO 実験は、J-PARC において稀な崩壊過程 $K^0_L \to \pi^0 \nu \bar{\nu}$ を探索することを目的としています。この崩壊の標準模型における理論的な分岐率は極めて小さく（約 $3.00 \times 10^{-11}$）、実験的には極めて高い感度と背景事象の抑制が求められます。

この探索における主要な背景事象源は、**ビームハロー中性子（beam-halo neutron）**です。

• 問題点: 中性子が CsI（ヨウ化セシウム）電磁カロメータ内で散乱し、2 つの光子のようなヒット（クラスター）を生成することがあります。これは、$K^0_L \to \pi^0 \nu \bar{\nu}$ 崩壊で生成される 2 つの光子（$\pi^0 \to \gamma\gamma$）のシグナルと区別がつかないため、誤検出の原因となります。
• 既存の手法の限界: 従来のクラスター形状やパルス形状の識別手法では、背景抑制因子が十分ではなく、2015 年のデータ解析では限界がありました。より高度な識別技術が必要とされていました。

2. 手法 (Methodology)

本研究では、CsI クリスタルで検出された粒子の相互作用痕跡（クラスター形状とパルス形状）の微妙な差異を利用し、2 つの新しい分析手法を提案・適用しました。

A. クラスター形状識別 (Cluster Shape Discrimination: CSD)

• 原理: 光子（電磁相互作用）と中性子（ハドロン相互作用）は、CsI 結晶内で生成されるエネルギー分布（クラスター形状）が異なります。光子はより円対称で対称的ですが、中性子は非対称な形状を示します。
• 技術: 畳み込みニューラルネットワーク (CNN) を採用しました。
  • 入力: CsI グリッド上のエネルギー分布とタイミング分布を画像として入力。さらに、入射粒子のエネルギー ($E$) と方向 ($\theta, \phi$) を追加入力として使用。
  • アーキテクチャ: 4 層の畳み込み層と 6 層の全結合層（Dense layer）から構成される深層学習モデル。
  • 学習: 2016-2018 年のデータ収集時に得られた中性子専用データと、モンテカルロシミュレーション（Geant4）で生成された光子事象を用いて学習。データ拡張（ミラーリング、角度のランダム化）により汎化性能を向上。
  • 出力: 光子に似ているか（1 に近い値）、中性子に似ているか（0 に近い値）を示す確率スコア。

B. パルス形状識別 (Pulse Shape Discrimination: PSD)

• 原理: 中性子によるハドロン相互作用で生じるパルスは、光子による電磁相互作用のパルスに比べて、尾部（tail）が長くなる特徴があります。
• 技術: 離散フーリエ変換 (DFT) を用いた周波数領域解析。
  • 処理: 各 CsI クリスタルのパルス波形（ADC サンプリング値）に対して DFT を適用。
  • 特徴抽出: 低周波数成分（特に最初の 5 つの正弦波成分）の振幅を抽出し、光子と中性子のテンプレートを作成。
  • 識別: クラスターを構成する各クリスタルの尤度（Likelihood）を計算し、積をとることでクラスター全体の尤度比（PSD スコア）を算出。

C. 背景推定手法

• イベント重み付け法: CSD と PSD の両方の識別閾値を適用した後の中性子背景の残存数を推定するため、個々の中性子事象の生存確率（$W$）をエネルギーと角度の関数として導出し、事象ごとに重み付けして合計する方法を採用しました。

3. 主要な貢献 (Key Contributions)

1. 深層学習の導入: KOTO 実験において初めて、CNN を用いてクラスター形状を画像分類問題として処理し、従来の手法を超えた識別精度を達成しました。
2. フーリエ解析の適用: パルス形状の差異を周波数領域で定量的に評価する DFT 手法を適用し、従来のパルス形状識別法よりも約 2 倍の効果的な中性子抑制を実現しました。
3. 高精度な背景推定: イベント重み付け法を用いることで、CSD と PSD を組み合わせた後の中性子背景を統計的に高精度に推定・予測する手法を確立しました。

4. 結果 (Results)

2016-2018 年のデータ解析において、これらの手法を適用した結果は以下の通りです。

• 中性子背景の抑制:
  • CSD と PSD を組み合わせることで、中性子背景事象を $5.6 \times 10^5$ 倍 抑制することに成功しました。
  • これは、2015 年のデータ解析結果（抑制因子が約 26 倍）と比較して、大幅な改善です。
• 信号効率の維持:
  • 背景をこれほど強力に抑制しながらも、$K^0_L \to \pi^0 \nu \bar{\nu}$ 信号事象の検出効率（受入率）を 69.9% に維持しました。
• 観測結果:
  • 設定された閾値（CSD スコア 0.985, PSD スコア 0.5）において、予測される中性子背景事象数は $0.0106 \pm 0.0002$ であり、実際に観測された事象数は 0 でした。これは手法の信頼性を裏付けています。

5. 意義 (Significance)

本研究で開発された技術は、KOTO 実験の感度を飛躍的に向上させました。

• 物理への影響: 背景事象を極めて低く抑えることで、$K^0_L \to \pi^0 \nu \bar{\nu}$ 崩壊の探索感度が向上し、標準模型からの逸脱（新物理）の発見可能性が高まりました。
• 手法の汎用性: 深層学習（CNN）と信号処理（フーリエ解析）を組み合わせるアプローチは、他の粒子物理実験における背景抑制やパターン認識問題に対しても応用可能な重要な手法論を示しました。
• 実験の信頼性: 予測された背景事象数が観測値と一致したことは、この新しい解析手法が実験データに対して非常に信頼性が高いことを証明しています。

結論として、この論文は、機械学習と高度な信号解析技術を組み合わせることで、高エネルギー物理実験における極めて困難な背景抑制課題を解決した画期的な成果を示しています。