A Differentiable Neural Surrogate for Photon Propagation in Neutrino Telescopes

技術要約：ニュートリノ・テレスコープにおける光子伝搬のための微分可能なニューラル・サロゲート

問題提起
高精度な光子伝搬のシミュレーションは、南極の氷床内に設置された立方キロメートル規模の検出器であるIceCubeニュートリノ観測所の科学プログラムの中核をなしている。検出器は、荷電粒子によって生成されるチェレンコフ光からニュートリノの特性を推定する。しかし、高度に散乱・吸収され、かつ不均質な氷の中を通る数十億個の光子の輸送をシミュレートすることは、計算量的に極めて困難である。Photon Propagation Code (PPC) のような明示的なモンテカルロ（MC）伝搬は、シミュレーション・パイプラインにおける支配的なボトルネックとなっており、2019年の単一のキャンペーンでは、光子追跡だけで約100,000 GPU時間を消費した。

この計算負荷は、IceCubeの極端なイベント発生率の不均衡によってさらに悪化している。大気ミューオンはkHzレートで検出器をトリガーする一方で、稀な天体物理学的ニュートリノ信号はmHzまたはµHzのレートで発生する。背景事象の除去精度を正確に見積もるには、膨大な量の大量の大気ミューオンのシミュレーション・サンプルを生成する必要がある。また、氷の媒体は、深さに依存する光学特性、異方的な伝搬、傾斜した氷の層など、相当な複雑さを導入しており、シミュレーションには総光量だけでなく、ナノ秒スケールの到着時刻分布も再現することが求められる。既存の手法（ルックアップ・テーブルを用いるPhotonicsや、スプライン・フィッティングを用いるphotospline）は、問題の次元性に苦慮するか、あるいは新しい媒体モデルごとに高密度のMCテーブルを必要とする。

手法：candela フレームワーク
著者らは、IceCube検出器の光子グリーン関数を学習するために設計された、微分可能なニューラル・サロゲートである candela (Complex-media-Aware Network for Differentiable and Efficient Light-transport Approximation) を導入する。このアプローチは、放出された光に対する光子輸送の線形性に依拠しており、完全なイベントを局所的なエネルギー堆積へと分解することを可能にする。

1. 光源・受信機分解 (Source-Receiver Decomposition):

   • 完全なイベント（例：ミューオン・トラック）は、一連の点状のカスケード光源へと分解される。
   • これにより、シミュレーションは、各光源とセンサーのペアに対する共有の光源・受信機カーネル (source-receiver kernel) の評価へと簡略化される。
   • 入力クエリ ($x_{sr}$) には、光源の方向に沿った円筒座標系における相対的な幾何学関係 ($R, \Phi, l$)、光源の方向とエネルギー、および（深さに依存する氷の光学特性を考慮するための）光源と受信機の絶対位置が含まれる。

2. ニューラル・フィールド・アーキテクチャ:

   • コアとなるのは、6層、幅512の SIREN (Sinusoidal Representation Network) ベースの暗黙的ニューラル表現である。
   • ネットワークは、与えられたクエリに対して2つの出力を予測する：
     • $\Lambda(x_{sr})$: 堆積エネルギー単位あたりの期待検出光子量。
     • $\pi(\tau | x_{sr})$: 8成分の逆ガウス分布の混合としてモデル化された、単位正規化された残留到着時刻密度。
   • 到着時刻は、残留 $\tau = t - \Delta t_{sr}$ として表現される。ここで $\Delta t_{sr}$ は放出時刻と非散乱の幾何学的飛行時間（time-of-flight）を考慮したものである。これにより、ネットワークは散乱によって引き起こされる遅延と広がりをモデル化することに集中できる。

3. イベント組成 (Event Composition):

   • 完全なイベントに対して、受信機 $r$ における期待光子レートは、各ソース $s$ の寄与を、その堆積エネルギー $E_s$ でスケールアップして合計することで計算される：
     $$\mu_r(t) = \sum_s E_s G(t - \Delta t_{sr} | x_{sr})$$
   • この組成により、すべての光源・受信機ペアの並列評価が可能になる。

4. 学習:

   • モデルは、65,536個の孤立した電磁カスケード構成から生成されたPPCシミュレータのデータを用いて学習される。
   • 学習ターゲットは固定された総生成光子数であり、ソースエネルギーによって反復回数が変化する。
   • 損失関数は、空間ビン ($R, \Phi, l$) および残留時間ビンにおける疎なヒストグラムに対するポアソン尤度であり、積分された光量とタイミング分布を共同で制約する。

主な貢献

• 微分可能なサロゲート: candela は、エンドツーエンドで微分可能なフォワードモデルを提供し、イベントパラメータ（位置、方向、エネルギー）および、潜在的には媒体特性に関する勾配ベースの最適化を可能にする。
• 効率性: 光子追跡を学習されたカーネルのバッチ評価に置き換えることで、この手法は計算コストを光子の多重度から切り離し、イベントの幾何学形状に依存するようにする。
• 汎用性: この光源・受信機形式は、複雑な散乱媒体を通じた効率的な光子輸送を必要とする他の検出器や科学的計器にも拡張できるように設計されている。

結果
$10^2$ から $10^6$ GeVにわたる独立したニュートリノ・イベントを用いて評価した結果、candela は以下の結果を示した：

• 速度: モデルは、標準的なGPUベースのMCシミュレータであるPPCよりも 50〜100倍高速 にイベントを生成する。PPCは光子の数に応じてスケールする（低エネルギーでは約1秒を要し、エネルギーとともに増加する）が、candela は10〜20ミリ秒を要し、ニュートリノエネルギーへの依存性は弱い。
• 光量精度: 中央値となる予測光子量は、光子数が6桁にわたる範囲において、高統計MCの期待値から 2%以内 に収まっている。
• タイミングの忠実度: 予測された到着時刻分布は、同じ範囲においてMCの統計的フロア（有限の光子統計による不可避な誤差）と一致する。コルモゴロフ–スミルノフ（KS）距離は、フォトマルチプライヤー管（PMT）の飽和領域を除いて、candela の予測と高統計PPCヒストグラムの間で、PPC-PPCの分散を追跡している。
• イベントレベルの一致: 視覚的および定量的な比較により、candela が空間的な光堆積パターン、プロンプトピーク、散乱テイル、および最初のヒット時刻の進行を正確に再現していることが示された。

意義と主張
本論文は、candela が、忠実度を損なうことなく大規模ボリュームのニュートリノ・テレスコープにおけるシミュレーションを加速するための実用的な基盤を提供すると主張している。光量およびタイミング分布をMCの統計的限界内で再現することにより、稀な信号抽出に必要な大規模な背景事象サンプルを生成することを可能にする。

決定的なのは、このサロゲートの 微分可能性 が、ニュートリノ・テレスコープにおいて系統誤差の大部分を占めることが多い散乱媒体の特性を最適化する道を開くことである。現在の研究は効率性と忠実度の確立に焦点を当てているが、著者らは、このフレームワークが将来的な勾配ベースのイベント再構成や検出器キャリブレーションのための基礎を築くものであると述べている。著者らは、モデルの性能がセンサーの飽和付近で低下すること（これは実務上しばしば無視される領域である）を謙虚に認め、再構成タスクのために微分可能性を最大限に活用すること、およびより幅広い適用性のためにネットワークを変化する光学パラメータに条件付けるために、今後の課題が必要であるとしている。