Using Graph Neural Networks for hadronic clustering and to reduce beam background in the Belle~II electromagnetic calorimeter

Belle II 実験の電磁カロリメータにおいて、SuperKEKB の高輝度化によるバックグラウンド増加や中性ハドロン相互作用の複雑さといった課題に対し、グラフニューラルネットワークを用いて不要なエネルギー堆積を特定・除去し、クラスタリング精度の向上を目指す新しい手法が提案されています。

要約

🌟 物語の舞台：「光の森」と「ノイズの嵐」

まず、ベル II 実験の「電磁カロリメータ（ECL）」という装置を想像してください。これは**「8,000 個以上の水晶（CsI）でできた巨大な壁」**です。
この壁は、粒子がぶつかった時に飛び散る「光の粒（エネルギー）」をキャッチして、それが何だったのか（電子なのか、光子なのか、中性子なのか）を判別する役割を果たしています。

しかし、最近、この壁には2 つの大きな問題が起きていました。

問題 1：「ノイズの嵐」が吹き荒れている

加速器（SuperKEKB）が以前よりもはるかに強力になり、粒子をぶつける回数が増えました。

• 例え話： 静かな図書館で、誰かが本をそっと置く音（粒子の信号）を聞こうとしているのに、突然、大勢の人が入り乱れて騒ぎ出し、風が吹き荒れて本が散らばる状態（ビームバckground）になってしまいました。
• 結果： 水晶が光る回数が爆発的に増え、本当の「本物の音」がノイズに埋もれてしまい、間違った場所を「音があった！」と勘違いしてしまいます。

問題 2：「バラバラになったパズル」

電子や光子は、水晶に当たるときれいな丸い光の跡を残しますが、**「中性子」などのハドロン（物質を構成する粒子）は、当たると「カクカクした、あるいはバラバラの光の跡」**を残します。

• 例え話： 電子は「丸いお餅」が一つ落ちる感じですが、中性子は「お餅が砕けて、遠く離れた場所に小片が飛び散る」ような感じです。
• 結果： 従来のプログラムは、「光の跡が離れている＝別の出来事だ」と判断してしまい、本来一つだった「お餅」を無理やり「複数の小さな欠片」として処理してしまいます。これだと、粒子の位置や正体を間違えてしまいます。

---

🧠 解決策：「AI 探偵」の登場

そこで、研究者たちは**「グラフニューラルネットワーク（GNN）」**という、AI の一種を使った新しい方法を開発しました。

1. 従来の方法の限界

昔のプログラムは、単に「光った水晶」を隣り合うもの同士でくっつけていくルール（アルゴリズム）を使っていました。

• 問題点： ノイズ（背景）が混じると、このルールが暴走して、何もない場所にも「光の塊（クラスター）」を作ったり、本当の塊をバラバラに切り分けたりしていました。

2. 新しい AI 探偵の仕組み

新しい AI は、**「水晶の光の跡」を「点（ノード）」として、それらを「線でつなげた図（グラフ）」**として捉えます。

• 特徴： 光っていない水晶は「点」にしないので、データがスパース（まばら）で効率的です。
• 学習： この AI は、シミュレーションで「本当の信号」と「ノイズ（背景）」、そして「バラバラになったパズル（スプリットオフ）」の区別を徹底的に学びます。
  • 「この光の跡は、加速器のノイズが原因だ」
  • 「この光の跡は、本当の粒子が飛び散った結果だ」
  • 「この光の跡は、ただの誤作動だ」
    というように、**「どの光が本物で、どの光がゴミか」**を瞬時に判断するようになります。

---

🎯 結果：「ゴミ箱」が劇的に進化

この AI を導入した結果、以下のような素晴らしい効果が得られました。

1. ノイズの 90% 以上を除去：
   加速器から来る「ノイズの嵐」によって作られた誤った光の跡を、90% 以上見つけて消し去ることができました。まるで、騒がしい宴会で「本物の会話」だけを残して、雑音を消すマイクのようなものです。
2. バラバラのパズルを修復：
   中性子などが飛び散ってできた「バラバラの光の跡」も、AI が「これは本来一つのものだ」と判断し、無理やり分割されるのを防ぎました。
3. 計算の高速化と精度向上：
   不要な「誤った光の塊」を事前に削除したおかげで、その後のデータ処理が軽くなり、粒子の位置やエネルギーをより正確に測れるようになりました。

---

💡 まとめ：なぜこれが重要なのか？

この研究は、**「より強力な加速器を使う未来」において不可欠な技術です。
加速器がさらに強力になればなるほど、ノイズは増えます。従来の「単純なルール」では対応できなくなりますが、「文脈を理解して判断できる AI（GNN）」**を使えば、どんなに騒がしい環境でも、本物の「物理の謎（B メソンなどの崩壊）」を鮮明に捉えることができます。

一言で言うと：
「騒がしいパーティーで、誰が本当に話しているのかを、AI が賢く見極めて、ノイズを消し去る技術」です。これにより、ベル II 実験は、宇宙の成り立ちを解明するための、よりクリアな「窓」を手に入れることができました。

技術概要

以下は、提示された論文「Using Graph Neural Networks for hadronic clustering and to reduce beam background in the Belle II electromagnetic calorimeter」の技術的な要約です。

論文概要

タイトル: 強子クラスタリングおよび Belle II 電磁カロリメータにおけるビームバクグラウンド低減へのグラフニューラルネットワークの活用
著者: Jonas Eppelt, Torben Ferber (Karlsruhe Institute of Technology)
日付: 2026 年 4 月 23 日（予定的な日付）

---

1. 背景と課題 (Problem)

Belle II 実験は、SuperKEKB 加速器における B メソン崩壊の研究を主目的としており、記録的な高光度（$5 \times 10^{34} \text{cm}^{-2}\text{s}^{-1}$）を実現しています。しかし、この高光度化と加速器の運転に伴う課題が、電磁カロリメータ（ECL）のデータ解析、特にクラスタリングアルゴリズムに重大な影響を与えています。

• ビームバクグラウンドの増加: 加速器の運転に伴うビームバクグラウンド（残存ガスとの散乱、Touschek 効果、放射線 Bhabha 散乱など）が増加し、ECL 内の結晶に不要なエネルギー付着が生じています。
• 局所最大値（LM）の過剰生成: 現在のクラスタリングアルゴリズムは、エネルギー付着の「局所最大値（Local Maximum: LM）」に基づいてクラスタを形成します。ビームバクグラウンドやハドロン相互作用による不規則なエネルギー付着により、LM の数が急増しています。
• 既存アルゴリズムの限界:
  • LM 数の増加による計算時間の増大とファイルサイズの肥大化。
  • バックグラウンドが LM を生成することで、本来のクラスタが誤って分割される（スプリット）リスク。
  • 中性ハドロン（特に中性子）の位置分解能の低下や、ハドロンと光子の誤識別。
  • 衝突エネルギーの保存則に基づく解析（エネルギー収支）の困難化。

特に、ハドロン相互作用は電磁相互作用に比べて不規則で、しばしば「スプリットオフ（split-off：シャワー中に生成され、離れた場所で再び相互作用する粒子）」を生み出し、現在のアルゴリズムでは元の過程に帰属させることが困難です。

2. 提案手法 (Methodology)

本研究では、クラスタリングの前段階において、不要な LM を特定・除去するために**グラフニューラルネットワーク（GNN）**を用いた分類アプローチを提案しています。

2.1 学習ターゲットの定義とラベリング

シミュレーションデータ（basf2, Geant4）を用いて、LM を以下のカテゴリに分類し、教師データを作成しました。

• 信号（Signal）: 物理事象に由来する主要な LM。
• ビームバクグラウンド（Beam Background）: 模擬粒子によるエネルギー付着が 20 MeV 未満の LM。
• 重複 LM（Duplicate LM）: 模擬粒子に紐付かない LM。
• スプリットオフ（Split-off）: ハドロン相互作用で生成され、元のシャワーから離れた場所で相互作用する粒子（主に中性子）による LM。
  • 注: 従来のシミュレーションでは、スプリットオフ粒子は個別に保存されず、親粒子のエネルギーに帰属されていました。本研究では、スプリットオフを識別するために、生成位置と運動エネルギーに基づいた新しい保存条件を導入し、これらを明示的に識別できるようにしました。

2.2 グラフニューラルネットワーク（GNN）のアーキテクチャ

• 入力グラフ: 各 LM を中心とし、5 次までの近傍結晶（バーレル部では 9x9 の正方形領域）をノードとして構成。
• ノード特徴量: 測定されたエネルギー、時間、パルス形状テンプレートフィットの詳細情報、結晶の質量（幾何学的形状の差異を反映）。
• エッジ: 入力グラフが比較的小さいため、全結合（fully connected）の重みなしエッジを使用。
• ネットワーク構造:
  • グローバルな平均値をノード特徴量に付与（Global Exchange）。
  • BatchNormalization と 2 層の線形層によるノード埋め込み。
  • スキップ接続を備えたメッセージパッシングブロックのスタック（修正版 GravNet を使用）。
    • 改良点: 従来の K 近傍法（K-NN）計算を省略し、ノード間の距離を重みとして直接使用することで、訓練速度と収束性を向上。
  • グローバル平均プーリングによるグラフ埋め込み。
  • 最終的な分類出力。
• 学習設定: 20,000 件の $\Upsilon(4S) \to B\bar{B}$ 事象と 10,000 件の $e^+e^- \to \phi\gamma$ 事象を使用。損失関数には二値交差エントロピーよりも安定した**平均二乗誤差（MSE）**を採用。100 エポック後に Stochastic Weighted Averaging (SWA) を適用。

2.3 閾値決定

• 分類器の動作点（カットオフ）は、信号の除去率を 5% に固定（信号効率 95% を維持）して決定。
• LM の測定エネルギーごとにビン分けして閾値を計算し、検出器領域（前方、バーレル、後方）ごとに個別に最適化。
• 100 MeV 以上の高エネルギー LM には適用せず、物理性能への悪影響を回避。

3. 結果 (Results)

シミュレーションデータを用いた評価結果は以下の通りです。

• ビームバクグラウンドの除去:
  • 分類器は、ビームバクグラウンド由来の LM の**最大 95%**を除去可能でした。
  • 信号効率 95% を維持しつつ、不要な LM を大幅に削減できます。
• スプリットオフおよび誤分割クラスタの識別:
  • これらの識別はビームバクグラウンドに比べて困難ですが、バーレル領域（50 MeV 以上）では**約 40%**の除去率を達成しました。
  • 50 MeV 以上でパルス形状フィッティングの精度が向上し、タイミングおよびパルス形状情報が信頼性を持つことが要因です。
• 領域ごとの性能差:
  • 後方領域（BWD）: バックグラウンドレベルが高いため、信号との分離が困難で、非ビームバクグラウンド由来の LM に対する除去効率は 50-60% 程度に留まりました。
  • 前方・バーレル領域: 低エネルギー域では全バックグラウンドに対して約 75% の除去効率ですが、高エネルギー域ではビームバクグラウンドの割合が減少するため、効率は低下します。

4. 主要な貢献と意義 (Key Contributions & Significance)

1. GNN を用いた前処理の導入: 従来のクラスタリングアルゴリズムの前に GNN を配置し、不要な LM をフィルタリングする新しいアプローチを確立しました。これにより、計算コストの削減と誤クラスタリングの防止が期待されます。
2. シミュレーションの詳細な解析とラベリングの改善: 従来のシミュレーションでは「見えない」とされていたスプリットオフ粒子を、新しい保存条件（運動エネルギーと頂点距離）に基づいて明示的に識別・ラベリングする手法を開発しました。これにより、より高品質な教師データを作成できました。
3. detector simulation の重要性の再確認: 検出器シミュレーションの深い理解が、GNN の学習ターゲット（ラベル）の精度を決定し、最終的な性能向上に直結することを示しました。
4. 将来への波及効果: 本手法で得られた知見は、GNN を用いたクラスタエネルギー予測などの将来の課題にも応用可能であると結論付けています。

結論

本研究は、Belle II の高光度運転に伴うビームバクグラウンドとハドロン相互作用の複雑化という課題に対し、GNN を活用した LM 分類・除去手法を提案し、その有効性をシミュレーションで実証しました。特に、ビームバクグラウンドの大幅な削減と、ハドロン由来のノイズ低減への可能性を示唆しており、Belle II の物理分析精度向上に寄与することが期待されます。