⚛️ high-energy experiments

Vertex reconstruction for a search for neutron-antineutron conversions with HIBEAM

本論文は、HIBEAM実験における消滅頂点の再構成に関する古典的な手法とグラフニューラルネットワークに基づく手法を評価および比較し、両アプローチとも頂点座標については同等の精度を達成している一方で、機械学習はダウンストリーム解析のためのイベント形状情報の抽出において独自の利点を提供することを見出した。

原著者： Alexander Burgman, Sze Chun Yiu, Yamna Shaikh, David Milstead, Eily Merjy, Lucas Åstrand, Kenneth Österberg, Fredrik Oljemark, Matthias Holl, Valentina Santoro, André Nepomuceno, Joshua L. Barrow

公開日 2026-08-31

📖 1 分で読めます🧠 じっくり読む

CC BY 4.0

原著者： Alexander Burgman, Sze Chun Yiu, Yamna Shaikh, David Milstead, Eily Merjy, Lucas Åstrand, Kenneth Österberg, Fredrik Oljemark, Matthias Holl, Valentina Santoro, André Nepomuceno, Joshua L. Barrow

原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 ✨ これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。免責事項の全文を読む

宇宙は、空に輝く星々から私たちの体の中の原子に至るまで、物質で満たされています。しかし、なぜこれほど多くの物質が存在し、その反対である反物質がこれほど少ないのかは、深い謎となっています。現在私たちが理解している物理法則によれば、ビッグバンは物質と反物質を同量創出したはずであり、それらは直ちに互いに消滅し、後に何も残さないはずでした。なぜ私たちが存在しているのかを説明するために、科学者たちは「バリオン数保存」と呼ばれる根本的な規則に対する稀な破れを探しています。この規則は、陽子や中性子のような重い粒子の総数は一定に保たれるべきであるというものです。もし中性子が自発的に反中性子へと変容できるならば、それはこの規則を破ることになり、宇宙の不均衡を解明する手がかりとなります。このような変容を捉えることは極めて困難です。なぜなら、それがこれまで一度も観測されたことがなく、発生したとしても、その信号は背景ノイズによって容易にかき消されてしまうからです。

この捉えどころのない事象を探索するために、スウェーデンの欧州スパレーション源（ESS）において、新世代の実験が計画されています。その計画では、冷中性子のビームを遮蔽された管に通し、薄い箔（フォイル）へと送り込みます。もし中性子が反中性子に変わった場合、それは直ちに箔に衝突し、荷電粒子のシャワーとなって爆発します。この爆発を特定するための鍵は、箔上の正確にどの地点でそれが起こったかを突き止めることです。実験では、ガスで満たされた「タイムプロジェクションチャンバー」と呼ばれる大型の検出器を使用し、粒子が飛び出していく経路を記録します。しかし、この検出器は、迷い込んだ放射線によって散乱した電子など、非常によく似た挙動を示す他の粒子も捉えてしまいます。課題は、真の爆発とノイズを判別し、事象の中心点を極めて高い精度で見つけ出すことです。

研究チームは最近、HIBEAM検出器の詳細なシミュレーションを用いて、異なるコンピュータ手法がこのパズルをどの程度解けるかをテストしました。彼らは、反中性子が箔上で消滅し、数個の荷電パイオンが検出器へと飛んでいく仮想的な事象を数百万件作成しました。テストを現実的なものにするため、彼らは、実際の実験走行中に検出器が見るであろうランダムな電子を模した、追加の背景トラックを注入しました。その後、研究者たちは、このデータに対して4つの異なる再構成戦略を実行し、どの手法が事象の発生場所を最も上手く算出できるかを確認しました。ある手法は、数十年にわたり物理学で使用されてきた古典的な統計的手法を用いたものであり、別の手法は、トラックという概念自体を無視した純粋な幾何学的トリックに依拠したものでした。さらに他の2つの手法は、現代的な機械学習、具体的には「グラフニューラルネットワーク」と呼ばれる人工知能を用いました。これは、検出器のヒット（接触情報）を、パターンを見つけ出すための連結された情報のネットワークとして扱うものです。

結果は、この特定の検出器の単純な形状においては、古典的な統計的手法が、事象の正確な座標を見つけるという点において、新しい機械学習ツールと同等の性能を発揮することを示しました。背景ノイズがない状態では、すべての手法が数ミリメートルの精度で爆発の中心を特定できました。しかし、背景ノイズが増加すると、手法によって挙動が異なりました。純粋な幾何学的手法と、イベント全体を一度に俯瞰する機械学習モデルは非常に安定しており、背景電子の数が2倍、あるいは4倍になっても、その精度はほとんど変化しませんでした。対照的に、古典的な統計的手法と、より複雑なハイブリッド型の機械学習チェーンは、ノイズが増えるにつれて苦戦し始め、誤差の範囲を大きく広げてしまうような非常に悪い推測をいくつか生み出しました。

中心を見つけるという基本的な性能は同等であったものの、機械学習の手法は他の手法にはできないことを提供しました。それらは、事象の形状に関する追加情報、例えば、いくつの粒子が関与している可能性が高いか、といった情報や、各推測に対する信頼度スコアを提供したのです。この追加データは、ある事象が真の発見なのか、それとも単なる偶然の産物（フラグ）なのかを、後で科学者が判断する際に非常に価値のあるものです。研究は、古典的な手法が頂点（バーテックス）を見つけるという基本業務には十分である一方で、機械学習のアプローチはより豊かな記述をもたらすと結論付けました。また、可視となるトラックが1つだけであっても受け入れるようにルールを緩和すれば、ほぼすべての事象を捉えることができるものの、爆発の場所の確実性は大幅に低下することも分かりました。究極的に、この研究は、この特定の探索において、伝統的な手法の信頼性と機械学習の記述力を組み合わせることが、もし中性子が反中性子へと変わった場合に、実験がそれを単に見つけるだけでなく、完璧に理解するための最善の道であることを示唆しています。

技術要約：HIBEAMにおける中性子–反中性子変換のための頂点再構成

問題提起
欧州スパレーションソース（ESS）のHIBEAM/NNBARプログラムは、中性子–反中性子（ $n \to \bar{n}$ ）変換によるバリオン数非保存の探索を目的としている。信号イベントを特定するための重要な観測量は、薄い炭素ターゲット箔内で反中性子が核子と消滅する際に再構成される、再構成された頂点である。この消滅は、時間投影チャンバー（TPC）に入る2〜4本の荷電パイオンの終状態を生成する。課題は、短く、ほぼ直線的なトラックのセグメントから、箔平面（ $z=0$ ）上の横方向の頂点座標（ $x, y$ ）を正確に再構成することにある。再構成は、信号のトポロジーを模倣したり、トラックのクラスタリングを複雑にしたりする可能性のある、内側TPC領域から進入する低エネルギーのコンプトン散乱電子などの背景トラックに対して、堅牢であり続けなければならない。従来の実験（例：ILL）では、横方向の半径方向分解能は約4 cmであった。本研究は、現代的な再構成技術の性能を定量化することで、HIBEAMがこの分解能を大幅に向上させることができるかどうかを判断することを目的としている。

手法
本研究では、半径20 cmの炭素ターゲット箔がAr/CO $_2$ TPCに囲まれた、HIBEAMの幾何学的構造に基づいた検出器シミュレーションを利用している。信号イベントは、箔上に一様に分布する真の頂点を持つ周辺核消滅モデルを用いて、10 $^6$ 個のイベントを生成することでシミュレートされている。アルゴリズムのストレス・テストを行うため、背景サンプルは、イベントあたり0、1、2、4、または8個のコンプトン電子のトラックを注入することによって作成された。

4つの異なる頂点再構成アルゴリズムを評価した：

Kalman: ヒットのクラスタリングにDBSCANを用い、トラックフィッティング（4パラメータの状態）にカルマンフィルタを用い、箔平面に拘束された適応型頂点フィットを用いる古典的な手法。決定論的アニーリングを採用し、箔への外挿に基づいてトラックに重み付けを行う。
TrackLess: 明示的なトラックフィッティングを回避する純粋な幾何学的手法。順序付けされていないヒットペアを箔平面に投影し、その投影をDBSCANでクラスタリングし、最大のクラスターの重心を頂点として定義する。単一枝イベントを拒絶するために角度の一貫性カットを含んでいる。
GraphNeT: もともとIceCubeのために開発されたオープンソースのグラフニューラルネットワーク（GNN）フレームワークの実装。検出器のヒットを、 $k$ -最近傍によって接続されたグラフのノードとして扱う。DynEdgeアーキテクチャを使用し、メッセージパッシングを通じて局所的および全域的な相関を学習し、頂点座標および荷電粒子数を回帰する。
IterGNN: 決定論的な幾何学的ステップと2つのGNNステージを組み合わせたハイブリッド・パイプライン。まずヒットのクラスタリングと直線的なトラックフィッティングを行い、続いてTrackGNNステージによってトラックを信号か背景かに分類する。その後、これらの分類を用いた重み付きの箔平面シードが計算され、それが修正量（ $\Delta x, \Delta y$ ）およびイベントごとの不確かさの推定値を予測するVertexGNNステージによって精緻化される。

主な貢献

比較分析: 本論文は、特定の低マルチプリシティ・トポロジー（HIBEAM TPC）に対する、古典的な統計的手法、純粋な幾何学的手法、および機械学習（ML）アプローチの系統的な比較を提供している。
ハイブリッド・アーキテクチャ: 幾何学的制約（箔平面、トラックの方向）を活用しながら、トラックの分類と頂点の精緻化という組合せ論的な側面のためにGNNを利用する手法である、IterGNNチェーンの開発を示している。
背景のストレス・テスト: ゼロ背景探索において極めて重要な因子である、注入されたコンプトン電子の密度が増加した場合のアルゴリズム性能を厳密に評価している。
補助情報: MLベースの手法（GraphNeTおよびIterGNN）は、古典的な手法では得られない追加の出力（各トラックの信号確率、イベントレベルのトラック数、イベントごとの頂点不確かさの推定値など）を提供することを強調している。

結果

分解能: 背景が存在しない場合（0個のコンプトン電子）、4つの手法すべてが数ミリメートル範囲（4.3 mmから6.1 mm）のメディアン半径再構成誤差（ $\Delta r$ $Δ r$ ）を達成している。
- TrackLessおよびGraphNeTは、最もタイトな誤差分布と最小の90%包含半径（12–15 mm）を示し、背景のマルチプリシティが増加しても劣化が最小限である。
- Kalmanは大きな非ガウス型の裾を示し、背景とともに著しく増大する（90%包含半径は8個のコンプトン電子で244 mmに達する）。
- IterGNNは中間的な性能を示し、メディアン誤差は5.6 mm（0個のコンプトン電子）であり、90%包含半径は28 mmで、8個のコンプトン電子で116 mmに増大する。
効率: 背景が存在する場合、古典的およびハイブリッド手法（Kalman, IterGNN）は、一般的にTrackLess（ $\sim$ 68–70%）よりも高い再構成効率（ $\sim$ 80–94%）を達成する。IterGNNとKalmanの効率は、背景トラックがトラックカウントに含まれることにより、背景のマルチプリシティとともに増加する。
不確かさの推定: IterGNNは、ヒット数や背景密度と相関する、イベントごとの横方向の不確かさ（ $\sigma_x, \sigma_y$ ）を正常に予測している。
単一枝イベント: すべての手法は、頂点の信頼性を確保するために、再構成されたトラックが1本のみのイベントを初期段階で拒絶する。この制約を取り除くと、すべての手法で効率は $\sim$ 100%に上昇するが、特に裾の部分において分解能が著しく低下する。

意義と主張
本論文は、HIBEAM TPCに特徴的な幾何学的に単純なイベントについては、古典的な再構成手法が、頂点座標の再構成の精度に関して機械学習ベースの手法と同等の性能を発揮すると結論付けている。具体的には、背景のない条件下では、すべての手法のメディアン性能は同等であり、これは主要な制限要因が再構成アルゴリズム自体ではなく、ビームパイプ材料による信号粒子の多重散乱であることを示唆している。

しかし、著者らは、カスタム機械学習手法は、座標再構成を超えた明確な利点を提供すると主張している。それらは、幾何学的または古典的な手法ではアクセスできないイベント形状の情報（トラック分類、トラックカウント、および不確かさの推定値）を提供する。これらの補助的な量は、ダウンストリームの解析において重要であるとされる。本研究は、将来の研究が、単一のアプローチに頼るのではなく、高精度な頂点座標と信頼性の高いイベント形状の再構成の両方を達成するために、これらの手法を組み合わせることに焦点を当てるべきであることを示唆している。論文は、ML手法がこの特定のトポロジーにおいて、古典的な手法よりも本質的に頂点再構成問題をより良く解決すると主張しているのではなく、より広範な探索戦略にとって価値のある補完的な情報を提供することを主張している。

関連論文