Search for Cosmic Rays in GRANDProto300

技術要約：GRANDProto300における宇宙線探索

問題提起
GRAND（Giant Radio Array for Neutrino Detection）のプロトタイプ・アレイであるGRANDProto300（GP300）実験は、アストロパーティクルのための自律的な無線検出技術の妥当性を検証することを目的としている。具体的には、銀河系内および銀河外起源の間の遷移領域を研究するため、$10^{17}$ から $10^{18.5}$ eV のエネルギーを持つ宇宙線を標的としている。本研究で対処される主要な課題は、ノイズが支配的な膨大なデータセットの中から、真の宇宙線信号を特定することである。データは2種類の干渉を受けている。「パラサイト（寄生信号）」（航空機や変圧器などに起因する誤トリガーを引き起こす過渡的ノイズ）と、定常的な背景ノイズである。目標は、これらのイベントをフィルタリングし、真の宇宙線エアシャワーをノイズから高い純度で区別するための堅牢なパイプラインを開発することである。

手法
著者らは、決定論的なフィルタリング・パイプラインと、機械学習ベースの識別層という二段構えのアプローチを提示している。

1. 決定論的探索パイプライン:
   このパイプラインは、2025年7月から10月の間に記録された5,477,117個の一致データ（Coincidence Data; CD）イベントに対して、一連の保守的なカットを適用する。プロセスは効率よりも純度を優先する：

• クラスター・カット（Cluster Cut）: 干渉バーストを除去するために、時間的および空間的にクラスター化したイベント（角度距離 $\Delta\vartheta < 5^\circ$、時間距離 $\Delta t < 5$ s）を除去する。このステップによりデータの88%が除去される。
• 偏光カット（Polarization Cut）: 地磁気ベクトル（$B$）と電場ベクトル（$e_V$）を利用する。宇宙線信号は $B$ に対して直交することが期待されるため（$e_V \cdot e_B \approx 0$）、この基準を満たさないイベントを拒絶し、イベントの35%を除去する。
• 天頂角カット（Zenith Cut）: 再構成の効率が低い $\theta \leq 60^\circ$ および再構成が困難な $\theta \geq 88^\circ$ のイベントを除去し、バッチの61%を排除する。
• 遅延カット（Delay Cut）: 球面波適合（Spherical Wave Fit; SWF）再構成を用いて、測定された到着時刻と理論的な期待値を比較する。$\chi^2$ の不一致（閾値 $10^3$）が大きいイベントをフィルタリングし、データの44%を除去する。
• 品質カット（Quality Cuts）: 最終的に、$\chi^2_{ADF} < 20$ の閾値を用いた角度分布適合（Angular Distribution Fit; ADF）が適用される。
• 結果: これらのカットにより、パラサイトの99.63%がフィルタリングされ、約20,000個の解析候補が残り、そこから51個の宇宙線候補が選択された。

2. 機械学習識別層:
   記録されたトレースの形状（決定論的カットでは完全には活用できない部分）に対処するため、著者らはバイナリ分類（ノイズ対宇宙線）のための畳み込みニューラルネットワーク（CNN）を開発した。

• データセット構築: トレースは2025年7月のデータから抽出された。データセットには、実際のパラサイト、シミュレーションされた宇宙線（背景ノイズに挿入されたもの）、およびパイプラインを通じて特定された567個の実際の宇宙線トレースが含まれる。
• アーキテクチャ: モデルは、バッチ正規化とReLU活性化関数を備えた13層の畳み込み層、それに続くグローバル平均プーリングと全結合層を使用している。1Dおよび2Dの2種類の畳み込みバリアントがテストされ、X（南北）およびY（東西）チャンネルを処理する。
• 学習: モデルは、バッチサイズ128、学習率0.01で、リコール（真陽性 / (真陽性 + 偽陰性)）を最適化しながら4000エポック学習された。

主な貢献

• 運用の妥当性確認: 本論文は、2025年7月時点で63本のアンテナがデータを収集しているGP300の安定した運用について報告しており、このプロトタイプのための最初の系統的な宇宙線探索パイプラインを提示している。
• フィルタリング効率: 著者らは、系統的な物理的および幾何学的カットを通じて、500万件を超えるイベントのデータセットを、ノイズイベントの99.63%を除去することで管理可能な候補セットへと削減できるパイプラインを実証した。
• MLの統合: 本論文は、信号トレースを用いてノイズと宇宙線信号を判別するために特別に設計されたCNNベースのアルゴリズムを紹介しており、より高度なオフライン解析への一歩を示している。
• 候補の特定: パイプラインは51個の宇宙線候補を特定することに成功し、それらの到着方向と信号の卓越性は、地磁気に関する理論的期待と一致している。

結果

• パイプラインの性能: 決定論的カットにより、初期の547万件のイベントが51個の候補に減少した。これらの候補の到着方向（図1に可視化）は、期待される東西方向の信号の卓越性を示している。
• 機械学習の性能:
  • シミュレーション・トレース: モデルは、95.71%（1Dモデル）および97.85%（2Dモデル）の高いリコール率を達成した。
  • 実際の宇宙線トレース: リコールはより低いものの、それぞれ62.08%（1D）および71.15%（2D）と有意であった。
  • パラサイトの拒絶: モデルはパラサイトを効果的に区別しており、2Dモデルは、テストセットのパラサイトに対して低い偽陽性率を維持しながら、71.15%の真の宇宙線のリコール率を示した。

意義と主張
本論文は、開発されたパイプラインが、$10^{17} - 10^{18.5}$ eV の範囲における宇宙線の自律的な無線検出技術の妥当性を検証することに成功したと主張している。系統的な物理的カットと発展途上の機械学習層を組み合わせることで、著者らは高ノイズ環境下から宇宙線信号を分離できる可能性を実証した。51個の候補の特定は、大規模な将来の運用に向けた概念実証（プルーフ・オブ・コンセプト）として機能する。著者らは、現在は視覚的な選択基準が一時的に適用されているものの、トレース形状のカット（CNNによる）の系統的な開発は、手動検査に依存せずに識別を向上させるための継続的な取り組みであると控えめに述べている。本研究は、GRANDアレイを用いた銀河系内から銀河外への遷移領域の研究のための基礎を築くものである。