Deep-learning-based low-energy trigger algorithms for the Hyper-Kamiokande experiment

本論文は、ディープラーニングに基づくトリガーアルゴリズム、特に教師ありニューラルネットワークおよびMPDRベースの異常検知モデルが、Hyper-Kamiokande実験における低エネルギーニュートリノ事象の特定において、サブミリ秒のGPU推論レイテンシによるリアルタイムの実現可能性を維持しつつ、従来のヒットカウント・トリガーを大幅に上回る性能を示すものであることを実証している。

要約

Hyper-Kamiokande実験を、巨大で超高感度な水中リスニングステーションだと想像してみてください。その任務は、ニュートリノと呼ばれる幽霊のような粒子が引き起こす、かすかなさざ波を「聞き取る」ことです。しかし、この海は非常に騒がしいものです。検出器は常にランダムな静電気やバックグラウンドの雑音（検出器ノイズ）にさらされており、私たちが探しているニュートリノの微かな囁きを見つけ出すことを非常に困難にしています。特に低エネルギーのニュートリノについてはなおさらです。

この論文は、AI（人工知能）を用いてこのノイズをフィルタリングする新しい手法を提示しています。これは、録音を保存するか無視するかを瞬時に判断できる、非常に賢いセキュリティガードのようなものです。

彼らのアプローチを、日常的な例えを用いて以下に分解します。

1. 問題点：嵐の中で囁き声を見つけること

以前、検出器はデータを保存するかどうかを決めるために、単純なルールを使用していました。「もしセンサーからこれだけの数のクリック音が聞こえたら、保存する」というルールです。これは、単に叫んでいる人だけをクラブに入れる用心棒のようなものです。

• 欠点: 低エネルギーのニュートリノは静かです。彼らは古いルールを起動させるほどの「クリック数」を生み出さないため、無視されてしまいます。一方で、ランダムなノイズが時としてルールを欺くほど多くのクリック音を発生させ、ゴミのようなデータによってストレージ容量を浪費させてしまいます。

2. 解決策：AI「パターン探偵」

研究者たちは、データのパターンを見るために、3種類の異なるAI「探偵」を訓練しました。単にクリック数を数えるのではなく、これらの探偵は、信号の形状、タイミング、および位置を調べます。これは、単に部屋に何人の人がいるかを数えるのではなく、探偵が特定の指紋を探すようなものです。

探偵A：教師による指導（「シグナル・ハンター」）

• 仕組み: このAIには、何百万もの「本物のニュートリノの囁き」と「偽物のノイズ静電気」の例が示されました。これにより、本物の信号がどのようなものかを正確に学習しました。
• トリック: これは高度な脳構造（Transformerと呼ばれます）を使用しており、異なるセンサーがどのように互いに通信しているかを理解します。単に一つのセンサーを見るのではなく、粒子の「ダンス」全体を見ているのです。
• 結果: これは静かな囁きを見つけることに非常に長けています。非常に微かな信号（3 MeV）に対して、このAIは**76.7%を捉えましたが、従来の「クリック数を数える」方法では26.4%**しか捉えられませんでした。これは、大きなコインだけを見つける金属探知機から、小さな金塊も見つけられるものへとアップグレードしたようなものです。

探偵B：ノイズのスペシャリスト（「アノマリー・ハンター」）

• 仕組み: このAIには、バックグラウンドノイズのみが示されました。これにより、AIは「通常の静電気」がどのようなものかを完璧に記憶しました。
• トリック: 信号が正確に何であるかを知らなくても、見たものが「ノイズのパターン」に合致しない場合、それを「不審」としてフラグを立てます。これは**異常検知（Anomaly Detection）**と呼ばれます。
• 結果: これの一つ（MPDRと呼ばれます）は驚くほど優秀で、信号の**31.8%**を捉えました。これは、風の音を熟知しているため、たとえ侵入者がどのような姿をしているか分からなくても、ドアの軋み方が少しでも違えば「何かがある」と察知するセキュリティガードのようなものです。

3. 「魔法」の速さ

通常、高度なAIは動作が遅く、大規模なコンピュータを必要とします。しかし、研究者たちがこれらの探偵を強力なグラフィックスカード（GPU）でテストしたところ、1ミリ秒未満で意思決定ができることが分かりました。

• 例え: セキュリティガードが、まばたきをする間に千人の人々をスキャンできる様子を想像してください。このスピードにより、データを後で分析するのではなく、発生しているリアルタイムでデータをフィルタリングすることが可能になります。

4. 彼らが発見したこと

• 勝者: 「シグナル・ハンター」（教師ありAI）が、特に微かなニュートリノを見つける上で最も優れていました。
• 次点: 「アノマリー・ハンター」（MPDR）も非常に優秀であり、特別な利点があります。それは、事前にシグナルの正体を知る必要がないことです。ただ、ノイズが「何ではないか」を知っていればよいのです。これは、私たちのニュートリノに対する理解が変わったとしても、このAIが引き続き機能することを意味します。
• 敗者: 単純な「クリック数を数える」方法（従来の方法）は、低エネルギーの信号のほとんどを見逃しました。
• ボーナス: 彼らは、これらのAIが「ガンマ線」（別の種類の粒子信号）を特定できるかもテストしました。AIは従来の方法よりも、この点においてもはるかに優れていました。

まとめ

光と時間のパターンを見るために現代的なAIを使用することで（単にセンサーが何回反応したかを数えるのではなく）、これまで検出するには静かすぎた宇宙の「囁き」を聞くことができるということを、この論文は証明しています。これにより、科学者たちは観測の限界を押し広げ、太陽や爆発する星、そして物理学の根本的な法則に関する秘密を解き明かす可能性を高めることができます。

技術概要

技術要約：Hyper-Kamiokande実験におけるディープラーニングを用いた低エネルギー・トリガー・アルゴリズム

問題提起
Hyper-Kamiokande（Hyper-K）実験は、太陽、超新星、原子炉ニュートリノ、および拡散超新星ニュートリノ背景放射（DSNB）を含む、低エネルギーニュートリノ（7 MeV以下）の精密測定を行うことを目的としている。極めて重要なボトルネックは、データ収集（DAQ）システムが、リアルタイムで支配的な検出器ノイズから微弱なチェレンコフ信号を識別できる能力である。単純なヒット数（NHits）閾値に基づく従来のトリガーは、低エネルギー信号からのヒット数がダークノイズの分布と大きく重なるため、これらのエネルギー領域において効率が低い。Hyper-Kの物理学的ポテンシャル、特に$\Delta m^2_{21}$測定におけるテンションの解消や希少な超新星イベントの検出を最大限に活用するためには、検出閾値を7 MeV以下に押し下げる必要がある。これには、厳格な実行時間制約（サブミリ秒のレイテンシ）の下で動作しながら、疎なPMTヒットデータ内の複雑な時空間パターンを認識できるトリガー・アルゴリズムが必要となる。

手法
著者らは、400 nsのウィンドウ内におけるPMTヒット（位置、時間、電荷）の疎なポイントクラウド表現上で動作する、2つの異なる機械学習アプローチを提案し、評価している。

1. 教師ありTransformer分類器:

   • アーキテクチャ: グローバルなイベント・コンテキストとローカルなヒット相関をモデル化するために、自己注意（self-attention）メカニズムを利用した6層のTransformerエンコーダを使用。
   • 入力表現: 検出器の幾何学的構造に合わせた円筒座標系を用いてヒットをエンコードする。特徴量には、空間的位置（方位角のsin/cos、正規化された半径/高さ）、ヒット時刻、および積分電荷が含まれる。
   • 学習戦略: 2つの監督レベルをテストした：
     • イベントレベル: イベント全体に対して単一の信号/ノイズラベルを予測。
     • ヒットレベル: 個々のヒットの信号/ノイズ状態を予測し、最終的なイベントスコアは最大ヒット確率から導出される。
   • データ: 100万個のシミュレーションされた単一電子イベント（0–7 MeV）を検出器ノイズと混合して学習。

2. 教師なし異常検知（ノイズのみの学習）:

   • アプローチ: 学習されたノイズ分布から逸脱するイベントを特定するために、検出器ノイズのみを用いてモデルを学習させる。
   • オートエンコーダ: 変動するヒット多重度を扱うために、単位ノルムの潜在空間制約と存在確率を持つ候補ヒットを用いる、Transformerベースのオートエンコーダ（Encoder-Decoder）を使用。
   • 多様体投影・拡散回復（MPDR）: スカラーエネルギー関数$E_\theta(X)$を学習するエネルギーベースモデル（具体的にはMPDR-S）。以下の2段階の学習プロセスを採用する：
     • フェーズI: ノイズに対してオートエンコーダを学習。
     • フェーズII: オートエンコーダを凍結し、真のノイズと「ハード」な合成ネガティブ（潜在空間内でノイズを摂動させ、ランジュバン型のMCMCプロセスによって部分的に回復させたもの）を区別するようにエネルギー関数を学習。
   • 入力: 空間情報（単位球パラメータ化）と時間情報のみを使用し、電荷は除外される。

主な貢献と結果
本研究は、これらのアルゴリズムを従来のNHitsトリガーと比較して包括的にベンチマークし、信号効率、識別能、および実行時間の観点から評価を行っている。

• 信号識別効率:

  • 教師ありヒットレベル分類器は最高の性能を示し、誤トリガー率が10 kHz未満の条件下で、3 MeVの電子を**76.7%**識別した。これは従来のNHitsトリガー（26.4%）およびMPDRアプローチ（31.8%）を大幅に上回る。
  • 教師ありイベントレベル分類器は、4 MeV以上では同様の性能を示したが、2–3 MeVの範囲ではヒットレベル版と比較して5–7%の効率低下が見られた。
  • MPDRアプローチは、全エネルギー領域においてNHitsトリガーを上回った（例：3 MeVにおいて31.9% vs 26.4%）。これは、明示的な信号モデリングなしでも異常検知が低エネルギー・トリガーを改善できることを示している。
  • 純粋なオートエンコーダ（MPDRなし）はNHitsトリガーよりも性能が悪かった（AUROC 0.76 vs 0.86）。これは、再構成誤差だけではこのタスクには不十分であることを示唆している。

• 特徴量の重要性:

  • 特徴量の切除（アブレーション）研究により、ヒット時刻が最も重要な特徴量であることが明らかになった。電荷情報を削除しても性能への影響は軽微であったが（AUROCは約0.90を維持）、時間情報を削除すると性能が劇的に低下した。これは、時空間相関が主要な識別因子であることを示唆しており、精密なPMT電荷較正への依存度を低減できる可能性がある。

• 中性子タグ付けとガンマ線識別:

  • 電子で学習されたモデルを、2.2 MeVのガンマ線（水素上の中性子捕獲をシミュレート）に適用した。教師ありヒットレベル分類器は**25.4%**の効率を達成したのに対し、NHitsは4.2%であった。MPDRは4.8%であった。

• 実行性能:

  • NVIDIA A100 GPUによる推論ベンチマークでは、すべてのモデルがミリ秒スケールを十分に下回る速度で動作した。
  • MPDRエネルギーネットワークが最も高いスループット（〜30,000 windows/s）を示し、次いでオートエンコーダ（〜20,000 windows/s）となった。
  • 教師ありTransformerは強力ではあるものの、アテンションのためのペアワイズ相対位置バイアスの計算に伴う計算コストのため、レイテンシとメモリ使用量が高くなった。

意義と主張
本論文は、ディープラーニングベースのトリガーが、従来のトリガーがノイズ支配により失敗する7 MeV以下の領域において、検出閾値を下げるための実行可能な道筋を提供することを主張している。

• リアルタイムMLの実現可能性: 本研究は、Transformerやエネルギーベースモデルを含む複雑なディープラーニングモデルが、数十マイクロ秒の推論レイテンシでオンラインDAQシステムに統合可能であることを示しており、実験の厳格なタイミング要件を満たしている。
• 異常検知による堅牢性: MPDRアプローチは、粒子物理学における異常検知の重要な概念実証として強調されている。詳細な信号モデリングを必要とせずに効率を向上させるその能力は、検出器ノイズが十分に理解されていれば、信号物理のモデリング誤差に対して堅牢であることを意味する。
• 相補性: 従来のヒットカウント・トリガーと機械学習アルゴリズム（例：プリトリガーとしてのNHits）を組み合わせることで、リソース使用量を最適化しつつ信号保持を最大化できることが示唆されている。
• 物理学的インパクト: 7 MeV以下での効率的なデータ取得を可能にすることで、これらのアルゴリズムは、太陽ニュートリノ振動パラメータの解明、DSNBの検出、および超新星ダイナミクスの研究を含む、極めて重要な物理目標を直接的に支援する。

著者らは、教師ありヒットレベル分類器が現在最高の性能を提供している一方で、MPDRアプローチは信号に依存しない堅牢な代替案を提供すると結論付けている。また、中性子タグ付けのためにプロンプト・レプトン信号と遅延ガンマ線の間の時間的相関を取り入れた専用モデルを用いることで、さらなる向上が期待できるが、これは本研究では完全には探索されていないとしている。