Optimal Transport for $e/π^0$ Particle Classification in LArTPC Neutrino Experiments

本論文は、マイクロブーネ実験のシミュレーションデータを用いて、最適輸送法が液体アルゴン時間投影箱（LArTPC）における電子とパイ中間子（$\pi^0$）の識別において最先端の性能を達成することを示し、この手法の将来性を明らかにしたものである。

要約

🎯 結論：新しい「距離の測り方」で、粒子の正体を見抜く

この研究の核心は、**「最適輸送（Optimal Transport）」**という数学のアイデアを、粒子物理学に応用したことです。

1. 何が問題だったのか？（「電子」と「中性パイオン」の混同）

ニュートリノ実験では、**「電子（e）」という粒子を見つけることが非常に重要です。しかし、実験の現場には「中性パイオン（π0）」**という邪魔な粒子が大量に混ざっています。

• 電子（e）： 1 つの「光のシャワー」を作る。
• 中性パイオン（π0）： 2 つの「光のシャワー」を作る（すぐに消えてしまう光子が 2 つ出るため）。

【例え話】
想像してください。暗闇で**「1 本の懐中電灯」と「2 本の懐中電灯」**を同時に点け、その光の跡を写真に撮ったとします。

• 電子は「1 本の太い光の筋」。
• 中性パイオンは「2 本の細い光の筋」。

しかし、2 つの光が重なり合ったり、片方が弱すぎて見えなかったりすると、「1 本の光」に見えることもあります。
これまでの従来の方法（パンドラというソフトウェアなど）は、この「2 つの光」を無理やり見つけようとして、失敗したり、本来見つけるべき「1 本の光（電子）」まで見逃したりしていました。まるで、**「2 つの影を無理やり 1 つにまとめようとして、影の形を歪めてしまう」**ような状態でした。

2. 新しい解決策：「最適輸送（Optimal Transport）」とは？

この論文の著者たちは、**「光の跡（エネルギーの分布）」を、単なる画像ではなく「土の山」**として捉えるという発想の転換を行いました。

• 従来の方法： 画像の形を比べて「似ているか？」を判断する。
• 新しい方法（最適輸送）： 「1 つの光の山」を、**「別の光の山」に変えるために、どれだけの土（エネルギー）を運ぶ必要があるか？」**を計算する。

【例え話：土の移動】

• 電子の山（1 つの山）： 丸い山 1 つ。
• 中性パイオンの山（2 つの山）： 2 つの小さな山。

もし、この 2 つの山を「同じ形」にしたいと思ったら、電子の山は少し土を動かすだけで済みますが、中性パイオンの山は、2 つの山を合体させて 1 つにするために、大量の土を遠くまで運ばなければなりません。

この「土を運ぶコスト（距離×重さ）」を計算するのが「最適輸送」です。

• 電子同士を比べる： 土の移動距離が短い（コストが低い）。
• 電子とパイオンを比べる： 土の移動距離が長い（コストが高い）。

この「コストの差」を測るだけで、**「これは電子だ！」「これはパイオンだ！」**と、従来の方法よりもはるかに正確に区別できることがわかりました。

3. なぜこれがすごいのか？

• 従来の方法の弱点： 従来のソフトウェアは、「2 つの光の筋を 1 つずつ見つけて、組み立てる」という複雑な作業をしようとします。しかし、光が重なり合っていると、この作業が失敗してしまいます。
• この研究の強み： 「1 つずつ見つける」作業をスキップして、「全体の形（土の山）」を直接比較します。まるで、**「パズルのピースを一つずつ組み立てるのではなく、完成した絵の雰囲気で『これは A さんだ！』と瞬時に判断する」**ようなものです。

4. 結果はどうだった？

MicroBooNE（マイクロブーン）という実験装置のデータを使ってテストしたところ、従来の方法（パンドラ）よりも圧倒的に高性能でした。

• 特に、2 つの光がくっついていて区別が難しい場合や、片方が非常に小さい場合でも、正しく見分けることができました。
• さらに、この「土の移動コスト」を、**SVM（サポートベクターマシン）**という機械学習のアルゴリズムに読み込ませることで、さらに精度が向上しました。

🚀 まとめ：未来への展望

この研究は、**「粒子の正体を見分けるために、数学の『距離の概念』を新しい形で使う」**という画期的なアプローチを示しました。

• これまでの方法： 「形を細かく分析して、ルールに従って分類する」（ルールが複雑で、失敗しやすい）。
• この新しい方法： 「全体のエネルギーの『重み』を移動させるコストで、直感的に分類する」（直感的で、頑丈）。

これは、将来の巨大なニュートリノ実験（DUNE など）において、**「電子の信号をより多く見つけ、背景ノイズ（パイオン）をより多く排除する」**ための強力な武器になります。

一言で言えば：
「粒子の写真を撮って、**『どれくらい土を運べば同じ形になるか』**を計算するだけで、電子とパイオンを完璧に見分ける新しい魔法の道具を発明しました」という研究です。

技術概要

以下は、提示された論文「Optimal Transport for e/π0 Particle Classification in LArTPC Neutrino Experiments」の技術的な要約です。

論文タイトル

Optimal Transport for e/π0 Particle Classification in LArTPC Neutrino Experiments
（LArTPC 中性子実験における e/π0 粒子分類のための最適輸送法）

1. 背景と課題 (Problem)

液体アルゴン時間投影室（LArTPC）は、高解像度のイメージングとカロメトリーを備え、加速器型ニュートリノ実験（SBN プログラムや DUNE など）の主要な検出器技術となっています。しかし、ニュートリノ相互作用の再構築において、電子（e）と中性パイオン（π0）の識別は依然として大きな課題です。

• 物理的背景: 電子ニュートリノ振動の観測や「ダークセクター」探索では、電子（e）や光子（γ）が最終状態として現れます。しかし、標準模型の相互作用では、中性パイオン（π0）が 2 つの光子に崩壊し、それぞれが電磁シャワーを生成します。
• 既存の課題: 現在の再構成アルゴリズム（Pandora や Wire-Cell など）や機械学習手法は、π0 が生成する 2 つのシャワーを正確に識別・再構成する際に困難に直面しています。特に、2 つの光子がほぼ同一直線上にある場合や、一方の光子のエネルギーが極端に低い場合、π0 を電子と誤認するバックグラウンドが支配的となり、物理分析の感度を制限しています。
• 既存手法の限界: 従来の手法は、個々のシャワーを再構成した後に分類を行うため、低レベルの再構成効率の欠如や、シャワーの再構成失敗による情報損失の影響を受けやすいという問題があります。

2. 提案手法と方法論 (Methodology)

本研究では、高エネルギー物理学（HEP）の他の分野で成功を収めている**最適輸送（Optimal Transport: OT）**の数学的枠組みを LArTPC データ解析に応用し、e/π0 分類タスクを解決しました。

• 最適輸送（OT）の適用:

  • LArTPC におけるエネルギー堆積を、3 次元空間上の離散確率分布としてモデル化します。
  • 2 つの事象（イベント）間の距離を、一方の分布を他方に変換するために必要な最小の「仕事量（コスト）」として定義する2-Wasserstein 距離を採用しました。
  • これにより、個々の粒子の再構成を必要とせず、事象全体のトポロジー（形状）とエネルギー分布の違いに基づいて分類を行います。

• データ前処理:

  • 3D 再構成: MicroBooNE のオープンデータセット（シミュレーション）を使用し、ワイヤ平面からの信号を SpacePointSolver アルゴリズムを用いて 3D 空間点に変換しました。
  • 空間整列（Alignment）: 粒子の飛来方向に依存しない分類を行うため、重み付き主成分分析（WPCA）を用いて各事象の主軸を揃え、重心を原点に移動させました。これにより、物理的に同等な事象間の非物理的な距離を排除しました。
  • ダウンサンプリング: 計算効率を向上させるため、1cm 以内の空間点は統合されました。
  • 2D 投影: 比較検討として、主軸に沿った 2D 投影（ジェット画像に類似）も試されました。

• 分類アルゴリズム:

  1. 最小 OT 距離法 (min(OT)): テスト事象と参照となる電子事象群との OT 距離の最小値をスコアとして使用（教師なし的アプローチ）。
  2. 機械学習との組み合わせ: 事象間のペアワイズ OT 距離を特徴量として、**k-NN（k 近傍法）やSVM（サポートベクターマシン）**などの解釈可能な機械学習モデルに入力し、分類性能を向上させました。

3. 主要な貢献 (Key Contributions)

• LArTPC への OT 初適用: 中性子実験の LArTPC データにおける e/π0 分類への OT 手法の初適用であり、その有効性を示しました。
• 再構成バイパス: 個々のシャワーを再構成する高レベルのアルゴリズムに依存せず、カロメトリックな電荷分布そのものを直接利用することで、再構成効率のボトルネックを回避しました。
• 解釈可能性の確保: 深層学習（CNN など）に比べ、OT 距離に基づく手法は物理的に解釈しやすく、不確実性の定量化が容易であることを示しました。
• MicroBooNE データセットの活用: 現実的なノイズや検出器効果を組み込んだ MicroBooNE の公開シミュレーションデータセットを用い、実データでの性能を評価可能な堅牢なフレームワークを構築しました。

4. 結果 (Results)

MicroBooNE のデータセット（0.05 GeV〜0.9 GeV のエネルギー範囲）を用いた評価において、以下の結果が得られました。

• 性能の向上: 提案された OT ベースの手法は、従来の再構成アルゴリズム（Pandora）をすべてのエネルギー領域で上回りました。
  • π0 識別効率: Pandora は全体的に約 40% の効率でしたが、OT+SVM 手法では約 80% の効率を達成しました。
  • 困難な事象への強さ: 2 つの光子の開口角が小さい場合や、サブリーディング光子の運動量比が極端に低い場合など、従来の手法が特に苦手とする事象において、OT 手法は劇的な性能向上（π0 識別効率を 15% から 60% へ向上など）を示しました。
• 最適な組み合わせ: 3D 再構成データに SVM を適用した3DOT+SVMが最も高い性能を示しました。
  • AUC（曲線下面積）: 0.822 〜 0.940 の範囲（エネルギービン依存）。
  • 精度: 0.742 〜 0.876 の範囲。
  • 80% π0 除去時の電子効率: 0.689 〜 0.925 の範囲。
• 2D と 3D の比較: min(OT) 単独では 2D 投影の方が良い結果を示す場合がありましたが、SVM などの後処理を行う場合、3D 情報を利用した方が全体的に優れた性能を発揮しました。

5. 意義と将来展望 (Significance)

• 物理感度の向上: e/π0 分離性能の向上は、電子ニュートリノ振動の精密測定や、単一光子・単一電子を最終状態とする新物理（BSM）探索の感度を大幅に向上させます。
• 計算コストとスケーラビリティ: 標準的な OT 距離計算は計算コストが高い（O(n^3) 程度）ですが、Linearized OT (LOT) や Sinkhorn 距離などの近似手法との組み合わせにより、大規模実験（DUNE など）での実用化が可能になると期待されます。
• 将来の展開: 本研究の成功は、LArTPC における他の再構成問題（e/γ 分離など）への OT 適用や、ストリップ型やピクセル型検出器への応用、さらに SBN プログラムや DUNE などの将来実験における再構成パイプラインへの統合への道を開きました。

結論として、最適輸送法は LArTPC 検出器の高分解能なカロメトリーデータを活用し、従来の再構成手法の限界を超えた高精度な粒子分類を実現する有望なアプローチであることが実証されました。