Searching for EeV photons with Telescope Array Surface Detector and neural networks

Telescope Array の 14 年間の地表検出器データとニューラルネットワークを用いた解析により、$10^{19}$eV 超の超高エネルギー光子の存在は確認されず、そのフラックスに対する新たな上限値が設定されました。

要約

この論文は、**「宇宙から飛んでくる超高エネルギーの『光の粒（光子）』を、アメリカの砂漠にある巨大な探検隊が、最新の『AI（人工知能）』を使って見つけようとした」**というお話です。

専門用語を捨てて、わかりやすい比喩を使って説明しましょう。

1. 何を探しているの？（宇宙の「幽霊」を探す）

宇宙には、人間が作り出したものよりも何桁も高いエネルギーを持った粒子が飛んできています。その中で**「光子（光の粒）」**は特別な存在です。

• なぜ重要？ もしこれが見つかったら、それは「通常の宇宙の仕組み（標準模型）」を超えた、**「ダークマター（宇宙の正体不明の物質）が崩壊した」とか「宇宙の法則そのものが少し違う」**という、驚くべき証拠になるからです。
• 難しさ： しかし、光子は非常に少ない（幽霊のように希少）です。しかも、宇宙から飛んでくる「陽子（普通の粒子）」が、大気中で暴れて光子とそっくりな姿に変身することがあり、**「本物と偽物を見分けるのが超難しい」**のです。

2. どうやって探すの？（巨大な「網」と「AI」）

研究者たちは、アメリカ・ユタ州の砂漠に**「テレスコープ・アレイ（TA）」**という巨大な探検隊を置いています。

• 地面のセンサー： 砂漠に 500 個以上の「お皿（シンチレーター）」を 1.2km 間隔で並べ、14 年間、宇宙から降り注ぐ粒子をキャッチし続けています。
• 従来の方法： これまでは、お皿が受け取った信号の「形」や「大きさ」を人間が作ったルールでチェックしていました。でも、偽物（陽子）が本物（光子）に化けるのを完璧に防ぐのは難しかったです。

3. 今回の新技術：AI 先生と「実地訓練」

今回の研究の最大の特徴は、**「AI（ニューラルネットワーク）」**を使ったことです。

• AI 先生の仕事：
  AI は、お皿が受け取った信号の「波形（時間ごとの振動）」や、お皿が並んだ「配置の形」を、まるで**「指紋」や「足跡」**のように詳しく見ます。

  • 「これは陽子（偽物）の足跡だ！」
  • 「これは光子（本物）の足跡だ！」
    と、人間が思いつかない複雑なパターンを見分けてくれます。

• 「実地訓練（ファインチューニング）」という工夫：
  ここが今回の**「ひらめき」**です。
  AI を訓練する際、通常は「コンピューターシミュレーション（ゲーム）」で学習させます。でも、ゲームと現実の砂漠には、人間には見えない小さな「違和感」があります。

  • 例え話： 料理のレシピ（シミュレーション）通りに作っても、実際の食材（実験データ）の味は少し違うことがあります。
  • 今回の解決策： AI に「ゲームで勉強したあと、実際に砂漠で捕まえた『間違いなく陽子であること』が分かっているデータで、もう一度練習（ファインチューニング）させてあげた」のです。
    これにより、AI は「ゲームの癖」を捨てて、**「現実の砂漠の空気感」**を完璧に理解するようになりました。

4. 結果はどうだった？（「幽霊」は見つからなかったが、すごい成果）

14 年間のデータを AI にチェックさせた結果、どうだったでしょうか？

• 結論： 「本物の光子（幽霊）」は見つかりませんでした。
• しかし、これは失敗ではありません！
  • 見つかった「光子っぽいもの」は、すべて「陽子が化けた偽物」の範囲内でした。
  • つまり、**「もし光子がもっとたくさん飛んできていたら、AI は間違いなく見つけていただろう」**という証拠になりました。
• 成果： これにより、「光子が飛んでくる確率は、これ以上低い」という**「最強の制限線（上限）」**を引くことができました。
  • 北半球（この実験がある場所）では、これまでにないほど厳しい制限線が引かれました。
  • 以前の研究と比べて、感度が約 3 倍に向上しました。

5. まとめ

この論文は、**「14 年間の砂漠のデータを集め、最新の AI に『実地訓練』をさせて、宇宙の『幽霊（光子）』を探し回った」**という物語です。

幽霊は見つかりませんでしたが、**「幽霊がここにはいない（あるいは、これ以上は出ない）」**というのを、これまでで最も確実な方法で証明しました。これは、宇宙の謎（ダークマターや物理法則の限界）を解き明かすための、非常に重要な一歩です。

一言で言うと：

「AI に『本物と偽物』の区別を極限まで鍛えさせ、宇宙の『幻の粒子』がどこまで存在しうるかを、北半球で最も厳しく証明した！」

技術概要

テレスコープ・アレイ表面検出器とニューラルネットワークを用いた EeV 光子の探索に関する技術的サマリー

本論文は、テレスコープ・アレイ（Telescope Array; TA）実験の表面検出器（SD）で 14 年間にわたって収集されたデータを用いて、超高エネルギー（UHE）の宇宙線光子（EeV 領域）の探索を行った結果を報告したものです。モンテカルロシミュレーションと実験データの間のバイアスを低減するためにニューラルネットワーク（NN）を適用し、プロトン由来の事象と光子由来の事象を高精度に区別する手法を開発・適用しました。

以下に、問題設定、手法、主要な貢献、結果、および意義について詳細にまとめます。

1. 問題設定と背景

• 超高エネルギー光子の重要性: 10^18 eV 以上の宇宙線光子は、GZK 過程（宇宙背景放射との相互作用）による生成メカニズムの検証や、標準模型を超える物理（超 heavy ダークマターの崩壊、ローレンツ対称性の破れなど）の証拠として極めて重要です。
• 検出の課題:
  • フルオレッセンス検出器はシャワーの縦方向発展を直接観測でき光子・ハドロン識別に優れますが、運用時間が限られるため、低フラックス領域の探索には露出量が不足します。
  • 一方、TA のような表面検出器（シンチレーター）は連続運用が可能で巨大な露出量を得られますが、ハドロン由来のシャワー（特にπ0 生成による電磁カスケード）と光子由来のシャワーを区別することが困難です。
• 既存の限界: これまでの TA の解析では、ブースト決定木（BDT）などの手法を用いて制限値を設定していましたが、モンテカルロ（MC）シミュレーションと実データの間に微妙な差異があり、ニューラルネットワークの性能が実データで過大評価されるリスクがありました。

2. 手法と技術的アプローチ

本研究は、以下の 4 つの主要ステップで構成される分析手法を採用しました。

2.1 データセットとモンテカルロシミュレーション

• データ期間: 2008 年 5 月 11 日から 2022 年 5 月 10 日までの 14 年間の TA SD データ。
• シミュレーション: CORSIKA (v7.7420) と GEANT4 を使用し、プロトンおよび光子由来の空気シャワーをシミュレート。高エネルギーハドロン相互作用モデルとして QGSJET-II-04, EPOS-LHC, Sibyll 2.3d を使用。
• イベント選択: 天頂角 55 度未満、トリガー数 7 以上、シャワーコアが検出器アレイ内かつ境界から 1200m 以上離れていること、χ2/d.o.f. < 5 などの品質基準を適用。雷関連イベントは除外。

2.2 ニューラルネットワークのアーキテクチャ

入力データとして、再構成された物理量と、SD ステーションが記録した生波形（タイム分解能 20ns）の両方を使用するハイブリッド構造を採用しました。

• 空間バンドル (Spatial Station Bundle): 再構成されたシャワーコアを中心とした 6x6 グリッド上のステーション配置を「画像」として扱い、Conv2D 層で空間的なシャワー構造を抽出。
• 時間バンドル (Temporal Station Bundle): 活性化順に並べたステーションの生波形を時系列として扱い、Waveform Encoder（Conv1D + LSTM）で特徴を抽出。さらに双方向 LSTM を用いてシャワー全体の時間的発展を学習。
• 結合解析: 上記 2 つの特徴量と、再構成パラメータ（天頂角、方位角、S800、Linsley 前面曲率など）を結合し、全結合層を通じて事象が「光子様（Photon-like）」である確信度 $\xi \in [0, 1]$ を出力。

2.3 学習プロセスとバイアス低減（主要な革新点）

• 重み付け学習: 誤検出（フォールト・ポジティブ）を最小化するため、プロトン事象に高い重み（5:1）を付与。
• Focal Loss: 分類が難しい事象に焦点を当てる損失関数を使用。
• 実験データによるファインチューニング（Burn Sample 手法）:
  • MC シミュレーションと実データの乖離を補正するため、高確信度でプロトンと判定された実データ（Burn Sample）を学習セットに追加し、NN をファインチューニングしました。
  • これにより、MC 特有のバイアスを低減し、実データに対する NN の予測信頼性を向上させました。
• ブラインド最適化: 光子フラックスの上限値を決定する分類閾値（$\xi$）を、実データを「目隠し」した状態で MC データのみを用いて最適化し、事後のバイアスを排除しました。

3. 主要な貢献

1. 実データ適合性の向上: 従来の MC 中心の学習に加え、実データのサブセットを用いたファインチューニングを導入し、NN の予測分布と実データ（プロトン背景）の一致度を大幅に改善しました（平均非対称比が 5.1 から 1.2 へ低下）。
2. 生波形の活用: 再構成パラメータだけでなく、SD ステーションが記録した高時間分解能の生波形を直接 NN に投入することで、シャワーの微細な構造情報を活用し、識別性能を向上させました。
3. モデル依存性の評価: 異なるハドロン相互作用モデル（QGSJET, EPOS, Sibyll）を用いたシミュレーションで NN の予測を比較し、特に高エネルギー領域でのモデル依存性を評価・考慮しました。
4. 北半球における最厳格な制限: 14 年間のデータ解析により、北半球における光子フラックスの上限値を最も厳格に設定しました。

4. 結果

• 光子候補の観測: 最適化された閾値を用いた解析において、期待されるハドロン背景に対して光子由来の事象の有意な過剰（Excess）は観測されませんでした。観測された候補事象は統計的な揺らぎの範囲内でした。
• 光子フラックスの上限値 (95% 信頼区間):
  • $E_\gamma > 10^{19}$ eV: $\Phi_\gamma < 2.3 \times 10^{-3} \, (\text{km}^2 \cdot \text{sr} \cdot \text{yr})^{-1}$
  • $E_\gamma > 10^{20}$ eV: $\Phi_\gamma < 3.0 \times 10^{-4} \, (\text{km}^2 \cdot \text{sr} \cdot \text{yr})^{-1}$
• 感度の向上: 以前の 9 年間のデータ（BDT 使用）と比較し、$10^{18.5}$ eV と $10^{20.0}$ eV の閾値において制限値が約 3 倍厳しくなりました。中間エネルギー域では、少数の候補事象の観測により感度向上は抑制されましたが、統計的揺らぎと整合しています。
• 理論モデルとの比較: 得られた制限値は、GZK 光子の予測上限に近づいていますが、理論モデルを完全に検証するにはさらに数倍の感度向上が必要です。また、超 heavy ダークマター（SHDM）崩壊モデルに対する制限も、南半球のピエール・オージェ観測所（Auger）と競合するレベルで設定されました。

5. 意義と結論

本研究は、機械学習（ニューラルネットワーク）を宇宙線物理に応用する際、MC シミュレーションの限界を克服するために「実データによるファインチューニング」を体系的に導入した画期的な試みです。

• 手法論的意義: 実験データとシミュレーションの乖離を埋めるための「Burn Sample」手法は、将来の超高エネルギー宇宙線実験におけるデータ解析の標準的なアプローチとなり得ます。
• 物理的意義: 北半球における光子フラックスの制限値を大幅に引き上げ、標準模型を超える物理モデル（特にダークマター崩壊など）に対する強力な制約を提供しました。
• 将来展望: 今後の TA SD の運用期間延長による統計量の増加と、さらに高度化された機械学習手法の適用により、GZK 光子の直接検出や、より高エネルギー領域での新物理探索が期待されます。

本論文は、Telescope Array Collaboration によって JCAP への提出を目的として準備されたものであり、arXiv:2512.01638v2 として公開されています。