Enhancing Event Reconstruction in Hyper-Kamiokande with Machine Learning: A ResNet Implementation

Dit artikel demonstreert dat ResNet-modellen binnen het WatChMaL-framework de gebeurtenisreconstructie voor het Hyper-Kamiokande-experiment aanzienlijk versnellen (met een factor tot $5,2 \times 10^4$) ten opzichte van traditionele methoden, terwijl ze vergelijkbare nauwkeurigheid behouden bij het classificeren en reconstrueren van de eigenschappen van deeltjes.

De kern

De Hyper-Kamiokande en de Slimme Camera: Hoe AI het Universum helpt ontcijferen

Stel je voor dat je een gigantisch zwembad bouwt, diep onder de grond in Japan. Dit is geen gewoon zwembad; het is de Hyper-Kamiokande, een experiment dat zo groot is als 258.000 ton water. De wanden van dit zwembad zijn bedekt met ongeveer 20.000 ultra-gevoelige camera's (eigenlijk fotomultiplierbuizen), die als duizenden ogen in het donker kijken.

Het doel? Om te kijken naar neutrino's. Dit zijn kleine, spookachtige deeltjes die door bijna alles heen vliegen, zelfs door de aarde. Soms botsen ze tegen een atoom in het water aan. Bij die botsing ontstaat er een flits van blauw licht, net als de lichtflits die je ziet als een supersonisch vliegtuig de geluidsbarrière doorbreekt. Dit noemen we Cherenkov-straling.

Het Grote Probleem: De Rekenmachine is te Traag

Wanneer een neutrino botst, ontstaat er een patroon van licht op de wanden van het zwembad. Wetenschappers willen precies weten:

1. Wat voor deeltje was het? (Een elektron, een muon, een foton of een pion?)
2. Waar kwam het vandaan? (Het exacte punt in het water.)
3. Hoe snel ging het? (De energie.)

Vroeger deden wetenschappers dit met een heel ingewikkelde wiskundige formule (een "maximum-likelihood" algoritme, genaamd fiTQun). Het is alsof je een puzzel probeert op te lossen door elke mogelijke oplossing één voor één te testen. Het werkt goed, maar het is extreem traag.

Om de experimenten van Hyper-Kamiokande te laten slagen, moeten wetenschappers miljarden van deze botsingen simuleren op computers om alle mogelijke fouten en variaties te begrijpen. Als ze de oude, trage methode gebruiken, zou het duizenden jaren duren om al die data te verwerken. Het is alsof je probeert een hele bibliotheek te lezen, maar je mag maar één zin per uur lezen.

De Oplossing: De Slimme Camera (ResNet)

In dit artikel laten de auteurs zien hoe ze een kunstmatige intelligentie (AI) hebben getraind om dit werk te doen. Ze hebben een speciaal type neurale netwerk gebruikt, genaamd ResNet.

Stel je voor dat je een kind leert om dieren te herkennen. Je laat het duizenden foto's zien van honden, katten en vogels. Na een tijdje herkent het kind de patronen direct: "Dat is een hond, omdat het oren heeft en een staart." Het kind hoeft niet meer na te denken over de wiskunde van hoe een oor eruitziet; het ziet het gewoon.

Dit is wat de AI hier doet:

1. De Input: De wetenschappers nemen de data van de 20.000 camera's en maken er een 2D-afbeelding van. Het is alsof je de cilindervormige wand van het zwembad uitrolt tot een plat tapijt. Op dit tapijt zie je waar het licht is gevallen (de "vlekken") en wanneer het is gevallen (de "tijdstippen").
2. De Training: Ze hebben de AI duizenden voorbeelden laten zien van botsingen waar ze al precies wisten wat er was gebeurd. De AI leerde de patronen: "Als het lichtpatroon er zo uitziet, is het een elektron. Als het er zo uitziet, is het een muon."
3. De Resultaten:
   • Snelheid: De AI doet het werk in 1 tot 2 milliseconden per botsing. Dat is 30.000 tot 50.000 keer sneller dan de oude methode! Het is alsof je van het lezen van één zin per uur bent gegaan naar het lezen van een heel boek per seconde.
   • Nauwkeurigheid: De AI is net zo goed (en soms zelfs beter) in het vinden van de juiste locatie en snelheid als de oude, trage wiskundige methode.
   • Scheiding: De AI kan heel goed onderscheid maken tussen deeltjes die erg op elkaar lijken, zoals een elektron en een foton. Dat was voor de oude methode bijna onmogelijk.

Waarom is dit belangrijk?

Dankzij deze snelle AI kunnen wetenschappers nu:

• Miljarden simulaties draaien in plaats van maar een paar duizend. Hierdoor kunnen ze veel preciezer meten hoe neutrino's zich gedragen.
• Nieuwe mysteries oplossen: Ze hopen hiermee te ontdekken waarom er meer materie is dan antimaterie in het universum (een van de grootste mysteries van de natuurkunde).
• Kosten besparen: Ze hoeven geen supercomputers meer te gebruiken die dagenlang draaien; een gewone krachtige videokaart (GPU) volstaat.

Conclusie

Kortom: De auteurs hebben bewezen dat je de "oude, trage rekenmachine" kunt vervangen door een "slimme, snelle camera". De AI kijkt naar de lichtsporen in het water en zegt direct: "Dit is een elektron, hier is het vandaan gekomen, en dit is hoe snel het ging."

Dit maakt het mogelijk om de Hyper-Kamiokande experimenten te laten slagen en ons een dieper inzicht te geven in de bouwstenen van het heelal, zonder dat we duizenden jaren hoeven te wachten op de resultaten. Het is een perfecte samenwerking tussen de fysica van het water en de kracht van moderne kunstmatige intelligentie.

Technische samenvatting

Probleemstelling

Het Hyper-Kamiokande-experiment (HK), een toekomstige water-Cherenkov detector in Japan, is ontworpen om ongekende precisie te bereiken bij het meten van neutrino-oscillaties, met name de CP-schendingfase ($\delta_{CP}$). Om aan de strenge eisen voor systematische onzekerheden te voldoen, zijn enorme Monte Carlo (MC) datasets nodig die systematisch variëren (bijv. verschillende detectorcalibraties en interactiemodellen).

De huidige staat van de kunst voor reconstructie, het fiTQun-algoritme (gebaseerd op maximale waarschijnlijkheid), is computatief zeer intensief. Het kost ongeveer minuten per gebeurtenis (O(min)) om een enkel evenement te reconstrueren. Dit maakt het genereren van de vereiste grote, systematisch gevarieerde datasets onpraktisch en te duur in termen van CPU-resources. Daarnaast worstelt traditionele reconstructie soms met complexe topologieën, zoals overlappende Cherenkov-ringen of gebeurtenissen dicht bij de detectorwand. Er is dus behoefte aan een schaalbaar, snel en robuust alternatief.

Methodologie

De auteurs presenteren een aanpak gebaseerd op Deep Learning (specifiek Convolutional Neural Networks) om de reconstructie van gebeurtenissen in de verre detector van Hyper-Kamiokande te versnellen.

1. Data-voorbereiding en Input:

   • De input voor de netwerken zijn 2D "afbeeldingen" van $190 \times 189$ pixels, die corresponderen met de 50 cm fotomultiplicatorbuizen (PMT's) aan de binnenwand van de detector.
   • De cilindrische detectorwand wordt "ontwikkeld" tot een vlakke grid.
   • Elke pixel heeft twee kanalen:
     1. De geïntegreerde lading (in foto-elektronen) binnen een leesvenster van 1,35 $\mu$s.
     2. De aankomsttijd van het signaal (in ns) relatief tot de trigger.
   • De dataset bevat gesimuleerde enkel-deeltjesgebeurtenissen (elektronen, muonen, gammastralen en neutrale pionen) met kinetische energieën van de Cherenkov-drempel tot 2 GeV.

2. Netwerkarchitectuur:

   • Er zijn zeven verschillende modellen ontwikkeld binnen het WatChMaL-framework.
   • De architectuur is gebaseerd op ResNet-152 (een residual network met 152 lagen), gekozen boven ResNet-50 vanwege de superieure reconstructieprestaties.
   • Regressiemodellen: Drie modellen voor elektronen en drie voor muonen, die respectievelijk het interactievertex, de richting en de totale energie (omgezet naar impuls) voorspellen.
   • Classificatiemodel: Eén model voor vier klassen (elektron, muon, gamma, $\pi^0$) om de deeltjestype te identificeren.

3. Training en Validatie:

   • De modellen zijn getraind met de AdamW-optimizer en een cosine annealing learning rate scheduler.
   • Voor regressie wordt een Huber-verlies gebruikt (relatief voor energie om hoge-energiefouten niet te zwaar te wegen).
   • Voor classificatie wordt cross-entropy verlies gebruikt.
   • De datasets zijn verdeeld in trainings-, validatie- en testsets (96:2:2 ratio).

Belangrijkste Resultaten

De prestaties van de ResNet-modellen zijn vergeleken met traditionele methoden (fiTQun) en eerdere studies (Super-Kamiokande IV).

1. Kinematische Reconstructie (Impuls, Richting, Vertex):

• Impulsresolutie: De modellen bereiken een gemiddelde resolutie van 1,35% voor muonen en 2,39% voor elektronen. Dit is vergelijkbaar met of beter dan traditionele methoden in het relevante impulsgebied.
• Vertexresolutie: Gemiddeld 28,2 cm voor muonen en 25,4 cm voor elektronen.
• Richtingsresolutie: Gemiddeld 1,25° voor muonen en 1,94° voor elektronen.
• De prestaties degraderen enigszins bij zeer lage impulsen (dicht bij de Cherenkov-drempel) door een gebrek aan fotonstatistiek, maar blijven robuust.

2. Deeltjesidentificatie (Classificatie):

• e-$\mu$ scheiding: Bijna perfect, met een Area Under the Curve (AUC) van 0,9999992.
• e-$\pi^0$ scheiding: Sterke verbetering ten opzichte van de baseline, met een AUC van 0,9526.
• e-$\gamma$ scheiding: Dit is een historisch moeilijk probleem (gamma's converteren vaak tot elektronen). Het model bereikt een AUC van 0,633, wat een significant doorbraak is aangezien likelihood-methoden hiervoor nog geen succesvolle scheiding hebben bereikt.

3. Rekenkracht en Snelheid (Het cruciale voordeel):

• Inferentie-tijd: De ResNet-modellen verwerken een gebeurtenis in 1–2 milliseconden op één enkele NVIDIA A100 GPU.
• Snelheidswinst: Dit resulteert in een versnelling van $3,2 \times 10^4$ tot $5,2 \times 10^4$ ten opzichte van de traditionele fiTQun-reconstructie (die enkele tientallen seconden per gebeurtenis kost).

Significantie en Conclusie

De studie toont aan dat deep learning een schaalbaar en krachtig alternatief biedt voor de reconstructie van Hyper-Kamiokande:

1. Oplossing voor de Computational Bottleneck: De enorme snelheidswinst maakt het mogelijk om de enorme hoeveelheden Monte Carlo-simulaties te genereren die nodig zijn voor precisiemetingen van neutrino-oscillaties en systematische studies, zonder dat dit onbetaalbaar wordt in CPU-tijd.
2. Robuustheid: De netwerken presteren goed in geometrisch moeilijke situaties (bijv. gebeurtenissen dicht bij de wand), waar traditionele likelihood-fits vaak falen of agressieve cuts vereisen.
3. Nieuwe Mogelijkheden: De combinatie van vergelijkbare nauwkeurigheid en orders van grootte snellere inferentie opent de deur voor het uitvoeren van uitgebreide systematische studies en het analyseren van complexe achtergronden (zoals $\pi^0$-productie) op schaal die eerder onmogelijk was.

De auteurs concluderen dat machine learning geen vervanging, maar een essentiële aanvulling is op traditionele algoritmen. Het zal de standaard worden voor grootschalige productie en systematische analyses, terwijl traditionele methoden waarschijnlijk behouden blijven voor gedetailleerde kalibraties en cross-checks.