Mitigating Detector Ageing Effects with Graph-Based Multi-Modal Track Reconstruction at Belle II

粒子加速器の中にある、宇宙の最も小さな構成要素を撮影するために設計された、巨大で高速なカメラを想像してみてください。このカメラは「検出器」と呼ばれ、粒子が通り過ぎる目に見えない軌跡を捕まえるための網として機能する、何千もの細いワイヤーで作られています。このカメラが完璧に機能するためには、清潔であること、ワイヤーが強くあること、そして「フィルム」（データ）が完全であることが必要です。しかし、ここに問題があります。装置があまりにも強力であるため、カメラをゆっくりと摩耗させているのです。激しい放射線と絶え間ない粒子の衝突は、繊ло繊細な時計に砂嵐が吹き付けているようなもので、時間が経つにつれてワイヤーは疲れ、一部のワイヤーは完全に機能しなくなり、写真には欠落した部分やぼやけた部分が現れ始めます。

科学者たちは、カメラが損傷している状態でも、これらの粒子の軌跡を描く方法を見つけ出す必要があります。従来、彼らはステップ・バイ・ステップのレシピを使用してきました。「まず、ここに点を見つけ、次にその点をあちらの点へと繋ぎ、それからそれが直線に適合するかどうかを確認する」というものです。しかし、カメラが壊れているとき、点は欠落し、線はギザギザになります。そのため、この古いレシピは失敗してしまうのです。大きな疑問は、「欠けている部分があっても、カメラ全体を再構築することなく、コンピューターに点と点を繋ぐ方法をより賢く教え込むことはできるのか？」ということです。これは、宇宙がなぜ反物質ではなく物質でできているのかを理解しようとしている、大規模な物理学プロジェクトであるBelle II実験が直面している課題です。

壊れたカメラと賢い解決策

Belle II実験の世界では、メインのカメラは「中央ドリフトチャンバー（CDC）」、つまりガスと数千本のワイヤーで満たされた巨大な円筒です。装置が稼働するにつれ、放射線によってワイヤーが「疲れ」、粒子を検出する能力を失っていきます。一部のワイヤーは完全に機能しなくなり、他のワイヤーは信頼できなくなります。これは科学者にとって悪夢となります。得られるデータには穴だらけなのです。ランナーの走行ルートを森の中で追跡している場面を想像してください。しかし、数歩ごとに木が消えたり、時には森の一角が丸ごとなくなってしまうのです。

「ベースライン・ファインダー」と呼ばれるこの古い解決策は、「もし2歩連続でステップを飛ばしたら、君は一度も走っていないものとみなす」と言う厳格な教師のようなものです。これは、完璧で連続したヒット（検出点）の列を見つけることに依存しています。カメラが損傷すると、この教師は手を上げて諦めてしまい、膨大なデータの損失を招きます。実際、シミュレーションで検出器が劣化した場合、この古い手法は、健全な検出器での性能と比較して効率が28%低下し、見つけたトラックの純度は90%（つまり、いくつかは偽物であるということ）にとどまりました。

ここで、この物語の新しいヒーローが登場します。著者が「BATファインダー」と呼ぶグラフニューラルネットワーク（GNN）です。厳格な教師の代わりに、BATファインダーを、手がかりの順番を気にしない超スマートな探偵だと考えてください。それはページ上の散らばったすべての点（ヒット）を一度に眺め、「これらの点のうち、どの点が同じ物語に属しているのか？」と問いかけます。それは「オブジェクト凝縮（object condensation）」と呼ばれる技術を使用しており、これは、一つの粒子に属するすべての点を一つのタイトなクラスターへと引き寄せ、ノイズや偽の点を遠ざける磁石のようなものです。完璧な線は必要ありません。パターンが見えればよいのです。

実験：最悪のシナリオに向けたトレーニング

著者たちは、単にこの探偵がうまくいくことを願ったのではありません。彼らはテストを行いました。現実の検出器が直面している正確な損傷を模倣した、壊れたカメラのリアルなシミュレーションを作成しました。具体的には、ワイヤーの効率が35%低下している状態（彼らはこれを $C = 0.35$ と呼んでいます）、検出器のセクション全体が完全に死んでいる状態、そしてカメラの異なる部分の間に大きな隙間がある状態を再現しました。

彼らは3つのアプローチをテストしました：

1. 古い方法（ベースライン・ファインダー）： 厳格な教師。
2. 中間的な方法（CATファインダー）： 探偵が内側のカメラだけを見つめ、教師が外側の層をチェックするという混合型。
3. フル・ディテクティブ（BATファインダー）： 探偵が絵全体を一度に見る。

まず、彼らは「完璧な」カメラ上で探偵に学習させました。追加のトレーニングなしで壊れたカメラでテストしたところ、それは古い教師よりも優れた結果を出しましたが、大きな隙間に混乱し、純度は約93%まで低下しました。それは、綺麗な街では名探偵だが、通りが封鎖されると迷子になってしまう探偵のようなものでした。

しかし、ここにある魔法のトリックがあります：彼らは探偵を再学習させたのです。 彼らは、壊れたカメラの例を探偵に与えることで、何が「乱れた」経路であるかを学習させました。これには、新しいコンピューターを構築したり、探偵の脳を作り変えたりする必要はありませんでした。ただ、特定の種類の損傷を用いた練習をさせただけなのです。

結果：救世主となる

結果は素晴らしいものでした。再学習後、BATファインダーは壊れたカメラのチャンピオンとなりました：

• 効率： 彼は、一様に変位したミューオン（具体的には100 cmまで変位したもの）の**64.2%を見つけ出すことができました。これに対し、古い手法はこれらの特定の粒子を36.2%**しか見つけられませんでした。つまり、新しい手法は、このグループにおいてほぼ2倍のトラックを救い出したことになります。
• 純度： 乱れたデータであっても、見つけたトラックの純度は**96.1%でした。古い手法は90.1%**にしか達しませんでした。

この論文は、探偵が単にダメージを生き延いただけでなく、適応したことを示しています。カメラにワイヤーが欠落した大きな隙間があったとき、古い手法は隙間を埋めることができず完全に失敗しました。しかし、BATファインダーは、イベント全体を一連のステップではなく、一つの大きなパズルとして見るため、その隙間を越えて点を繋ぐことを学んだのです。

な way が重要なのか

著者たちは、検出器へのダメージは新しい解決不可能な問題ではなく、単にデータが話す「言語」の変化であると結論づけています。パターンは異なりますが、物理学は同じなのです。AIを新しい損傷したパターンに対して単に再学習させるだけで、ハードウェアが老朽化しても実験をスムーズに継続できます。

これは大きな意味を持ちます。なぜなら、Belle IIの稼働は数年間に及び、検出器は時間の経過とともにさらに損傷していくからです。ワイヤーが壊れるたびにハードウェアを修理したり、ソフトウェアをゼロから書き直したりしてパニックになる代わりに、科学者はAIの「再学習」ボタンを押すだけでよいのです。これは、カメラがゆっくりと摩耗していく間も、宇宙の秘密を解き明かすために必要な貴重なデータを失わないことを保証する、柔軟で将来を見据えたソリューションです。この論文は、適切なAIがあれば、壊れたカメラでも完璧な写真を撮ることができるということを証明しています。