Deep Learning-Based $^{14}$C Pile-Up Identification in the JUNO Experiment

本論文は、JUNO 実験におけるニュートリノ質量順序の決定に不可欠なエネルギー分解能を向上させるため、深層学習モデル（畳み込みモデルやトランスフォーマーなど）を用いて、陽電子信号と重なりやすく識別が困難な$^{14}$C のパイルアップ事象を高精度に同定する手法を提案し、その有効性を示しています。

要約

江門地下ニュートリノ観測所（JUNO）の「ノイズ退治」大作戦

～AI が見つける、見えない「炭素のいたずら」～

この論文は、中国の巨大なニュートリノ実験「JUNO（ジュノ）」で行われている、**「AI を使ったノイズ退治」**のお話です。

まるで**「静かな図書館で、誰かがこっそり本を落とす音（ノイズ）を、AI が聞き分けて消し去る」**ようなイメージを持ってください。

---

1. 何をしているの？（目的）

JUNO という実験は、**「ニュートリノの質量の順番」という、宇宙の謎を解くための重要な調査を行っています。
ニュートリノは「幽霊のような粒子」で、ほとんど何とも反応しないため、これを捉えるには2 万トンもの巨大な液体（シンチレーター）**が必要です。

この液体の中で、ニュートリノが反応すると**「陽電子（ポジトロン）」**という光の粒が出ます。この光の強さを正確に測ることで、ニュートリノの正体を突き止めようとしています。

2. 問題は何？（14C のいたずら）

しかし、ここで大きな問題が起きました。
実験に使っている液体の中に、**「炭素 14（14C）」**という天然の放射性物質が少しだけ混じっているのです。

• 陽電子（本物の信号）： 大きな音で「ピカッ！」と光る。
• 炭素 14（ノイズ）： 小さな音で「チリッ」と光る。

【問題点】
炭素 14 が光るタイミングが、陽電子の光る瞬間と**「ほぼ同時」に重なってしまうことがあります。
これを「パイルアップ（重なり）」と呼びます。
まるで、「大きな花火（陽電子）」が上がる瞬間に、小さな花火（炭素 14）が同時に炸裂してしまい、本当の大きさ（エネルギー）が測れなくなってしまう**ような状態です。

この「重なり」をそのまま放っておくと、実験の精度が落ちてしまい、宇宙の謎が解けなくなってしまいます。

3. 解決策は？（AI による見分け）

そこで研究者たちは、**「深層学習（ディープラーニング）」という高度な AI 技術を使って、「これは本物の陽電子か、それとも炭素 14 との重なりか？」**を瞬時に見分ける方法を考えました。

彼らは 3 つの異なる「AI 探偵」を訓練しました。

① 2 次元 CNN（写真を見る探偵）

• 仕組み: 実験装置にある数千個のセンサー（光を捉えるカメラのようなもの）の配置を、**「地図」や「写真」**のように変換して AI に見せます。
• 特徴: 「どこで光ったか（位置）」と「いつ光ったか（時間）」を、色の濃淡で表現した画像として処理します。
• イメージ: 防犯カメラの映像を見て、「ここに変な影があるな」と判断するタイプ。

② 1 次元 CNN（波形を見る探偵）

• 仕組み: 時間の経過とともに、どれだけのセンサーが光ったかという**「波形」**そのものを見ます。
• 特徴: 陽電子と炭素 14 が重なると、波形に「二つの山」ができるか、あるいは「一つにまとまった大きな山」になります。この形の違いを学習します。
• イメージ: 心電図のような波形を見て、「ここが不規則だ」と判断するタイプ。

③ Transformer（言語処理の天才）

• 仕組み: 最近、AI 翻訳やチャットボットで大人気の「Transformer」という技術を使います。
• 特徴: 1 次元 CNN と同じ波形データを使いますが、これを**「文章の単語の並び」**のように扱います。「前の瞬間の光」と「次の瞬間の光」の関係性を深く理解して判断します。
• イメージ: 物語の文脈を読み解くように、光の波紋の「ストーリー」を理解するタイプ。

4. 結果はどうだった？（AI の活躍）

実験の結果、以下のことがわかりました。

• 2 次元 CNN（写真派）: 全体的には良いですが、**「時間的に非常に近い重なり」**を見分けるのが少し苦手でした。
• 1 次元 CNN（波形派） & Transformer（物語派）: どちらも**「時間的に近い重なり」**を見分けるのが得意でした！特に、陽電子のエネルギー測定の精度に最も影響する「重要な領域」で、高い性能を発揮しました。
• 処理速度: 1 次元 CNN が最も速く、Transformer はその中間、2 次元 CNN は少し時間がかかりました。

5. まとめ

この研究は、**「AI という新しい目」**を使って、実験の邪魔をする「炭素 14 のいたずら」を上手に排除する方法を見つけ出したという点で画期的です。

• Before: 炭素 14 のせいで、陽電子の正確な大きさが測れず、実験の精度が落ちる。
• After: AI が「これは重なりだ！」と見分け、データをきれいに整理する。

これにより、JUNO 実験は**「ニュートリノの質量の順番」という、宇宙のビッグな謎を解き明かすための準備が整いました。
まるで、「騒がしい教室で、先生が AI を使って『誰が落書きしたか』を瞬時に見つけ出し、静かな教室に戻す」**ようなものです。

この技術が、未来の物理学の大きな一歩となることを期待しています。

技術概要

以下は、提示された論文「Deep Learning-Based 14C Pile-Up Identification in the JUNO Experiment」の技術的な要約です。

論文概要

本論文は、江門地下ニュートリノ観測所（JUNO）実験において、ニュートリノ質量順序（NMO）の決定精度を向上させるために不可欠な「陽電子（$e^+$）のエネルギー分解能」を維持する課題に焦点を当てています。特に、液体シンチレーター中に残留する炭素 14（$^{14}\text{C}$）によるパイルアップ（重なり）事象の識別に、深層学習（ディープラーニング）モデルを適用し、その有効性を検証した研究です。

---

1. 背景と課題 (Problem)

• JUNO 実験の目標: 2024 年末からのデータ取得開始を目指し、6 年間で 3$\sigma$ の信頼度でニュートリノ質量順序（NMO）を決定すること。
• 重要な性能指標: 逆ベータ崩壊（IBD）反応で生成される陽電子のエネルギー分解能を 3% 未満に抑えること。
• 課題: 液体シンチレーター中の残留$^{14}\text{C}$が崩壊する際、陽電子信号と時間的・空間的に重なる「パイルアップ事象」が発生します。
  • $^{14}\text{C}$の信号は陽電子に比べて非常に小さく、識別が困難です。
  • 特に、$^{14}\text{C}$と陽電子の発生時刻や頂点（Vertex）が近い場合、エネルギー分解能が著しく劣化します（予備結果では、1 MeV 付近で約 2% の劣化が予測されています）。
• 解決策の必要性: パイルアップ事象を効率的に識別し、除去または再構成アルゴリズムで補正することが不可欠です。

2. 手法 (Methodology)

本研究では、JUNO オフラインソフトウェア（J22.1.0-rc0）を用いたシミュレーションデータ（$e^+$単一事象と$e^+$+$^{14}\text{C}$パイルアップ事象）を用いて、3 つの異なる深層学習モデルを構築・比較しました。

データセット

• 訓練データ: 運動エネルギー 0〜5 MeV の連続的な$e^+$事象（約 16 万件）と、$^{14}\text{C}$の PMT 打撃数（$n_{\text{Hit}}^{14\text{C}}$）が 50 以上のパイルアップ事象（約 9 万件）。
• テストデータ: 特定の運動エネルギー（0, 1, 2, 3, 4, 5 MeV）を持つ事象。
• 前処理: $n_{\text{Hit}}^{14\text{C}} < 50$の事象はエネルギー分解能への影響が軽微であるため、訓練から除外しています。

提案モデル

1. 2 次元畳み込みニューラルネットワーク (2DCNN)

   • 入力形式: PMT の ID を (x, y) 座標にマッピングし、各 PMT の「電荷」と「初回到達時間」の 2 つのチャネルを持つ画像形式に変換。
   • 特徴: 空間的な光の分布パターンを認識する。
   • アーキテクチャ: 2D 畳み込み層、バッチ正規化、最大プーリング、全結合層。

2. 1 次元畳み込みニューラルネットワーク (1DCNN)

   • 入力形式: 時間軸に対する PMT 打撃数の分布（1 次元時系列データ）。
   • 特徴: $e^+$と$^{14}\text{C}$の信号が時間的に分離しているか、重なり合っているかを直接捉える。
   • チャネル:
     1. 時間に対する打撃数（-250 ns 〜 1250 ns）。
     2. 飛行時間（Time of Flight）を補正した後の打撃数（-500 ns 〜 1000 ns）。
   • アーキテクチャ: 1D 畳み込み層を使用し、2DCNN と同様の構成。

3. Transformer ベースモデル

   • 入力形式: 1DCNN と同じ時系列データをベクトル列として扱い、Transformer エンコーダーに入力。
   • 特徴: 時系列データ内の長距離依存関係や文脈を捉える能力を活用。
   • 構成: 埋め込み層（畳み込み）→ 位置エンコーディング → Transformer エンコーダー層 → 全結合層。

3. 結果 (Results)

テストデータを用いた性能評価は以下の通りです。

• 識別精度:
  • 純粋な$e^+$事象の識別効率（純粋事象を「パイルアップではない」と正しく判定する割合）は、すべてのモデルで約 99% を達成しました。
  • 2DCNN: 時間差が 300 ns 以上ある「遅れた混合事象」では高い効率を示しましたが、**0〜300 ns の「重要領域（Key Region）」**において識別効率が低下しました。
  • 1DCNN と Transformer: 0〜300 ns の重要領域において、2DCNN を上回る顕著に高い識別効率を示しました。
  • 1DCNN と Transformer の性能はほぼ同等でした。
• 学習コスト:
  • 1 エポックあたりの学習時間：1DCNN（約 4 分） < Transformer（約 27 分） < 2DCNN（約 60 分）。
  • 1DCNN が最も計算効率が良く、性能も優れているため、実用面で有利です。
• 限界要因:
  • 識別が困難なケースは主に 2 種類：(1) $^{14}\text{C}$からの PMT 打撃数が少ない事象（エネルギー分解能への影響は小さい）、(2) 時間・位置が極めて近い事象（エネルギー分解能への影響が大きい）。

4. 主要な貢献 (Key Contributions)

1. 深層学習の適用: JUNO 実験における$^{14}\text{C}$パイルアップ事象の識別に、CNN および Transformer を初めて体系的に適用・比較した。
2. 時系列データの有効性: 空間情報（2DCNN）よりも、時間的な信号の重なりを直接捉える 1 次元データ（1DCNN）の方が、特に時間的に近いパイルアップ（エネルギー分解能に最も影響を与える領域）の識別において優れていることを実証した。
3. Transformer の可能性: 自然言語処理で主流の Transformer モデルが、高エネルギー物理学のイベント分類タスクにおいても、1DCNN と同等の高性能を発揮する可能性を示した。

5. 意義と結論 (Significance)

• エネルギー分解能の維持: 本研究で提案された深層学習ベースの識別手法、特に 1DCNN および Transformer モデルは、$^{14}\text{C}$パイルアップによるエネルギー分解能の劣化を抑制するための第一歩として極めて重要です。
• NMO 決定への寄与: 高精度なエネルギー分解能の確保は、JUNO 実験が目標とするニュートリノ質量順序の決定（3$\sigma$）を成功させるための鍵となります。
• 将来展望: 識別されたパイルアップ事象に対して、精密なエネルギー再構成アルゴリズムを開発することで、JUNO 実験の物理成果を最大化する道筋が示されました。

結論として、深層学習、特に時系列データを扱う 1DCNN や Transformer モデルは、JUNO 実験における$^{14}\text{C}$パイルアップ問題に対する有望かつ効果的な解決策となり得ます。