Fast Surrogate for the Earth Matter Effect on Solar Neutrinos

技術要約：太陽ニュートリノにおける地球物質効果の高速サロゲートモデル

問題提起
太陽ニュートリノが地球を通過する際、その軌道に沿って密度プロファイルが変化する媒体中でのニュートリノ進化方程式を解く必要がある。低密度領域における解析的な近似や平均化された観測量に関する近似は存在するが、これらは高度なエネルギーおよび時間ビン分割を必要とする現代の解析には不十分である。直接的な数値解法は正確ではあるものの、グローバルフィット、尤度評価、およびモンテカルロ解析で要求されるような、広範なパラメータ空間と膨大な数の軌道を繰り返す場合には計算コストが非常に高い。将来の実験ではより高い解像度が求められ、計算負荷が増大するため、シュレディンガー方程式を毎回解くことなく地球物質効果を近似できる、高速かつ正確なサロゲートモデルが必要となっている。

手法
著者は、パラメータ条件付き畳み込みニューラルネットワーク（ResNetベースのエンコーダ・デコーダ構造）として実装された、ディープラーニングによるサロゲートモデルを提案している。このモデルは、物理的な振動パラメータと、結果として得られる2次元のエネルギー・軌道平面における地球物質通過確率との間のマッピングを学習するように設計されている。

• 物理的削減: モデルは電子ニュートリノ生存確率（$P_{ee}$）に焦点を当てている。著者は、$P_{ee}$ が CP 破壊位相 $\delta_{CP}$ および混合角 $\theta_{23}$ に対して実質的に独立であることを示している。さらに、$\theta_{13}$ はその精度が高く、$P_{ee}$ の許容範囲内での影響が無視できるため、グローバル最良適合値に固定されている。$\Delta m^2_{31}$ も、その関連する振動長が地球半径よりも数桁短いため、位相が平均化されることから固定されている。したがって、関連する進化演算子は、2つの自由パラメータ、すなわち混合角 $\theta_{12}$ と質量二乗差 $\Delta m^2_{21}$ のみに依存する。
• ネットワークアーキテクチャ:
  • 入力: ネットワークは、2つの振動パラメータのベクトル $x = (\theta_{12}, \Delta m^2_{21})$ を受け取る。
  • ターゲット: 出力は、ニュートリノエネルギー（$E_\nu \in [5, 20]$ MeV）および天頂角（$\eta \in [0, 95^\circ]$）の関数として、3つの遷移確率成分（$I_1, I_2, I_3$）を表す2次元画像（192 $\times$ 192 グリッド）である。
  • 構造: モデルは、学習時にデュアルエンコーダ・アプローチを採用している。画像エンコーダ（ResNetベース）は、数値計算されたターゲット画像をコンパクトな潜在空間へと写像する。パラメータエンコーダ（MLP）は、物理的な入力パラメータを同一次元の潜在表現へと写像する。その後、残差デコーダが、パラメータ由来の潜在表現を予測画像へと写像する。
  • 学習目的: ネットワークは、直接的な画像空間再構成損失（$L_{image}$）と、パラメータ由来の潜在ベクトルが画像由来の潜在ベクトルと一致するように強制する潜在空間マッチング損失（$L_{latent}$）を組み合わせた損失関数を用いて学習される。これにより、パラメータエンコーダが数値解の多様体に整合した表現を学習することが保証される。
• データセット: 学習セットは、$\theta_{12} \in [30^\circ, 40^\circ]$ および $\Delta m^2_{21} \in [6, 9] \times 10^{-5}$ eV$^2$ をカバーする $21 \times 21$ グリッドからサンプリングされた441個のパラメータペアで構成されている。ターゲット画像はPEANUTSパッケージを使用して生成されている。データセットは80%のトレーニング用と20%の検証用に分割されている。

主な結果

• 精度: サロゲートモデルは、参照用電子ニュートリノ生存確率に対して、約2%の点別相対精度を達成している。伝播角にわたる平均平方二乗誤差（RMSE）は、全エネルギー範囲において $\sim 0.01$ 未満であり、これは約3%の平均予測誤差に相当する。精度は地平線付近（$\eta \approx 90^\circ$）の軌道で最も高く、核通過軌道（$\eta \approx 0^\circ$）ではわずかに低くなるが、これらの局所的な誤差は時間積分された観測量において相殺されることが予想される。
• 性能: Apple M1ラップトップのCPUを用いたテストにおいて、サロゲートは直接的な数値計算と比較して約60倍の高速化を実現した。約100個の予測マップの生成には約2秒を要したが、同等の数値計算には120秒以上を要した。著者は、GPUハードウェア上での高速化はさらに大きくなると述べている。
• 汎用性: モデルは、現在のグローバルフィットによって許容されるパラメータ空間の境界および中心値を含む、さまざまな領域において、生存確率の典型的なエネルギーおよび角度依存性を正常に再現している。

意義および主張
本論文は、このサロゲートモデルが、グローバルフィットや尤度スキャンなどの、膨大な数のパラメータ点での評価を必要とする太陽ニュートリノ解析において、柔軟かつ計算効率の高いアプローチを提供すると主張している。

このフレームワークの顕著な特徴は、そのモジュール性にある。ネットワークは地球通過の伝播（地球内部のハミルトニアン）のみを学習するため、地球に到達する前のニュートリノの状態を変化させる新物理シナリオ（質量固有状態の割合に影響を与える長距離相互作用など）に対しても、学習をやり直すことなく適用可能である（ただし、伝播ハミルトニアンは変更されないものとする）。逆に、伝播ハミルトニアンを変化させる非標準的なニュートリノ相互作用（NSI）を含むシナリオについては、修正されたポテンシャルを用いて生成された新しい数値サンプルを用いてサロゲートを再学習させ、新しい物理パラメータをパラメータエンコーダへの追加入力として組み込むことができる。

著者は、現在の精度は高密度にサンプリングされたグリッド内での補間を反映していることを強調している。学習範囲は現在のグローバルフィットによって許容される領域をカバーしているが、より広い適用性のための次のステップとして、これらの境界を超えた外挿に関する明示的なテストが必要であると指摘している。さらなる開発と応用を促進するため、コードおよびシミュレーションデータは公開されている。