Deep-learning-based low-energy trigger algorithms for the Hyper-Kamiokande experiment

Dit artikel toont aan dat op deep learning gebaseerde trigger-algoritmen, met name een gesuperviseerd neuraal netwerk en een MPDR-gebaseerd anomaliedetectiemodel, traditionele hit-count triggers aanzienlijk overtreffen bij het identificeren van laagenergetische neutrino-gebeurtenissen voor het Hyper-Kamiokande-experiment, terwijl de real-time haalbaarheid behouden blijft met GPU-inferentielatenties van minder dan een milliseconde.

De kern

Stel je het Hyper-Kamiokande-experiment voor als een enorme, uiterst gevoelige onderwaterluisterpost. De taak is om "luisteren" naar de minuscule rimpelingen veroorzaakt door spookachtige deeltjes die neutrinon worden genoemd. Maar deze oceaan is ongelooflijk luidruchtig. De detector wordt constant gebombardeerd door willekeurige statische ruis en achtergrondgepraat (detectorruis), wat het erg moeilijk maakt om de zwakke, specifieke fluisteringen van de neutrino's op te merken, vooral de laagenergetische.

Het artikel presenteert een nieuwe manier om deze ruis te filteren met behulp van Kunstmatige Intelligentie (AI), die fungeert als een superintelligente bewaker die direct kan beslissen of een opname moet worden opgeslagen of genegeerd.

Hier is een uitsplitsing van hun aanpak met alledaagse analogieën:

1. Het Probleen: Een fluistering vinden in een storm

In het verleden gebruikte de detector een eenvoudige regel om te beslissen wat er werd opgeslagen: "Als we dit aantal klikken van onze sensoren horen, sla het dan op." Dit is als een uitsmijter bij een club die mensen alleen binnenlaat als ze schreeuwen.

• De Fout: Laagenergetische neutrino's zijn stil. Ze maken niet genoeg "klikken" om de oude regel te triggeren, waardoor ze worden genegeerd. Ondertussen zorgt willekeurige ruis er soms voor dat er genoeg klikken ontstaan om het systeem te misleiden, waardoor opslagruimte wordt verspild aan waardeloze data.

2. De Oplossing: De AI "Patroondetective"

De onderzoekers hebben drie verschillende soorten AI-"detectives" getraind om naar de data te kijken. In plaats van alleen maar klikken te tellen, kijken deze detectives naar de vorm, timing en locatie van de signalen, vergelijkbaar met een detective die naar een specifieke vingerafdruk kijkt in plaats van alleen te tellen hoeveel mensen er in een kamer zijn.

Detective A: De Gesuperviseerde Leraar (De "Signaaljager")

• Hoe het werkt: Deze AI heeft miljoenen voorbeelden van "echte neutrino-fluisteringen" en "nep-ruisstatiek" gezien. Het heeft geleerd hoe een echt signaal er precies uitziet.
• De Truc: Het gebruikt een geavanceerde hersenarchitectuur (een Transformer genoemd) die begrijpt hoe verschillende sensoren met elkaar communicen. Het kijkt niet alleen naar één sensor; het ziet de hele "dans" van de deeltjes.
• Het Resultaat: Het is ongelooflijk goed in het opsporen van de stille fluisteringen. Voor een zeer zwak signaal (3 MeV) ving het 76,7% van de signalen op, terwijl de oude "tel de klikken"-methode er slechts 26,4% ving. Het is alsof je upgradet van een metaaldetector die alleen grote munten vindt naar een die ook kleine goudvlokjes vindt.

Detective B: De Ruis-specialist (De "Anomaliejager")

• Hoe het werkt: Deze AI kreeg alleen maar de achtergrondruis te zien. Het heeft perfect geleerd wat "normale statische ruis" is.
• De Truc: Wanneer het iets ziet dat niet helemaal in het "ruispatroon" past (zelfs als het niet precies weet wat het signaal is), markeert het dit als "verdacht". Dit wordt Anomaly Detection (afwijkingsdetectie) genoemd.
• Het Resultaat: Een versie hiervan (genaamd MPDR) was verrassend goed en ving 31,8% van de signalen op. Het is als een beveiligingsbeambte die het geluid van de wind zo goed kent dat als een deur net even anders kraakt, hij weet dat er iets aan de hand is, zelfs als hij niet weet hoe de indringer eruitziet.

3. De "Magie" van Snelheid

Normaal gesproken is complexe AI traag en vereist het enorme computers. De onderzoekers hebben deze detectives getest op krachtige grafische kaarten (GPU's) en ontdekten dat ze een beslissing kunnen nemen in minder dan een milliseconde.

• De Analogie: Stel je een beveiligingsbeambte voor die duizend mensen kan scannen in de tijd die het kost om te knipperen. Deze snelheid betekent dat ze in real-time kunnen worden gebruikt, waarbij ze data filteren terwijl het gebeurt, in plaats van te wachten om het later te analyseren.

4. Wat Ze Hebben Gevonden

• De Winnaar: De "Signaaljager" (Gesuperviseerde AI) was het beste in het vinden van de neutrino's, vooral de zwakke.
• De Runner-up: De "Anomaliejager" (MPDR) was ook erg goed en heeft een speciaal voordeel: het hoeft niet van tevoren te weten hoe het signaal eruitziet. Het heeft alleen nodig om te weten hoe de ruis er niet uitziet. Dit is geweldig omdat als ons begrip van de neutrino's verandert, deze AI nog steeds werkt.
• De Verliezer: Een simpele methode van "de klikken tellen" (de oude manier) mistte de meeste laagenergetische signalen.
• Bonus: Ze hebben ook getest of deze AI's "gamma stralen" (een ander type deeltjessignaal) konden spotten. De AI was hier veel beter in dan de oude methode ook.

Samenvatting

Het artikel bewijst dat door moderne AI te gebruiken om naar de patronen van licht en tijd in de detector te kijken, in plaats van alleen te tellen hoeveel sensoren afgingen, we de "fluisteringen" van het universum kunnen horen die voorheen te zacht waren om te detecteren. Dit stelt wetenschappers in staat om de grenzen van wat ze kunnen zien te verleggen, wat potentieel geheimen kan onthullen over de zon, exploderende sterren en de fundamentele wetten van de natuurkunde.

Technische samenvatting

Technische Samenvatting: Deep-Learning-gebaseerde Low-Energy Trigger Algoritmen voor het Hyper-Kamiokande Experiment

Probleemstelling
Het Hyper-Kamiokande (Hyper-K) experiment heeft als doel precisie-metingen uit te voeren van laag-energetische neutrino's (onder 7 MeV), inclus\nuit zonne-, supernova- en reactorneutrino's, evenals de Diffuse Supernova Neutrino Background (DSNB). Een kritieke flessenhals voor deze studies is het vermogen van het Data Acquisition (DAQ) systeem om zwakke Cherenkov-signalen in real-time te onderscheiden van dominante detectorruis. Traditionele triggers gebaseerd op eenvoudige hit-count drempelwaarden (NHits) lijden onder een lage efficiëntie bij deze energieën omdat het aantal hits van laag-energetische signalen aanzienlijk overlapt met de distributie van dark noise hits. Om het natuurkundige potentieel van Hyper-K volledig te benutten, met name voor het oplossen van spanningen in $\Delta m^2_{21}$-metingen en het detecteren van zeldzame supernova-gebeurtenissen, moet de detectiedrempel onder de 7 MeV worden verlaagd. Dit vereist trigger-algoritmen die complexe spatiotemporele patronen kunnen herkennen in ijle (sparse) PMT-hit data, terwijl ze opereren onder strikte runtime-restricties (sub-milliseconde latentie).

Methodologie
De auteurs stellen twee verschillende machine learning-benaderingen voor en evalueren deze voor low-energy triggering, die beide opereren op ijle point-cloud representaties van Photomultiplier Tube (PMT) hits (positie, tijd en lading) binnen vensters van 400 ns:

1. Gesuperviseerde Transformer Classifiers:

   • Architectuur: Een 6-laagse Transformer encoder die gebruikmaakt van self-attention mechanismen om globale event-context en lokale hit-correlaties te modelleren.
   • Input Representatie: Hits worden gecodeerd met behulp van cilindrische coördinaten die zijn uitgelijnd met de detectorgeometrie. Kenmerken omvatten de ruimtelijke positie (sin/cos van azimuth, genormaliseerde radius/hoogte), hit-tijd en geïntegreerde lading.
   • Trainingsstrategieën: Twee supervisieniveaus werden getest:
     • Event-level: Het voorspellen van een enkel signaal/ruis-label voor het gehele event.
     • Hit-level: Het voorspellen van de signaal/ruis-status van individuele hits, waarbij de uiteindelijke event-score wordt afgeleid van de maximale hit-waarschijnlijkheid.
   • Data: Getraind op 1 miljoen gesimuleerde single-electron events (0–7 MeV) gemengd met detectorruis.

2. Ongesuperviseerde Anomaly Detection (Noise-Only Learning):

   • Benadering: Modellen getraind uitsluitend op detectorruis om gebeurtenissen te identificeren die afwijken van de geleerde ruisdistributie.
   • Autoencoder: Een transformer-gebaseerde autoencoder (Encoder-Decoder) getraind om ruis-events te reconstrueren. Het gebruikt een unit-norm latent space constraint en een vast aantal kandidaat-hits met existentie-waarschijnlijkheden om te gaan met variabele hit-multipliciteiten.
   • Manifold Projection–Diffusion Recovery (MPDR): Een energy-based model (specifiek MPDR-S) dat een scalaire energiefunctie $E_\theta(X)$ leert. Het maakt gebruik van een tweefasig trainingsproces:
     • Fase I: Train de autoencoder op ruis.
     • Fase II: Bevries de autoencoder en train een energiefunctie om echte ruis te onderscheiden van "harde" synthetische negatieven. Deze negatieven worden gegenereerd door ruis te verstoren in de latent space en ze gedeeltelijk te herstellen via een Langevin-stijl MCMC-proces.
   • Input: Gebruikt alleen ruimtelijke (unit sphere parametrisatie) en temporele informatie; lading wordt weggelaten voor deze modellen.

Belangrijkste Bijdragen en Resultaten
De studie biedt een uitgebreide benchmark van deze algoritmen tegenover een traditionele NHits trigger en evalueert hun prestaties in termen van signalefficiëntie, discriminatievermogen en runtime.

• Signaalidentificatie Efficiëntie:

  • De gesuperviseerde hit-level classifier behaalde de hoogste prestaties en identificeerde 76,7% van de 3 MeV elektronen bij een false trigger rate van <10 kHz. Dit presteert aanzienlijk beter dan de traditionele NHits trigger (26,4%) en de MPDR-benadering (31,8%).
  • De gesuperviseerde event-level classifier presteerde vergelijkbaar boven 4 MeV maar vertoonde een efficiëntiedaling van 5–7% ten opzichte van de hit-level versie in het 2–3 MeV bereik.
  • De MPDR-benadering presteerde beter dan de NHits trigger over het gehele energiespectrum (bijv. 31,9% vs. 26,4% bij 3 MeV), wat aantoont dat anomaly detection de low-energy triggers kan verbeteren zonder expliciete modellering van het signaal.
  • De pure autoencoder (zonder MPDR) presteerde slechter dan de NHits trigger (AUROC 0,76 vs. 0,86), wat aangeeft dat reconstructiefout alleen onvoldoende is voor deze taak.

• Kenmerkbelang (Feature Importance):

  • Ablatie-studies naar kenmerken onthulden dat hit time het meest kritieke kenmerk is. Het verwijderen van informatie over de lading had een verwaarloosbare impact op de prestaties (AUROC bleef ~0,90), terwijl het verwijderen van tijdinformatie leidde tot een drastische daling in prestaties. Dit suggereert dat spatio-temporele correlaties de primaire discriminatoren zijn, wat mogelijk de afhankelijkheid van precieze PMT-ladingkalibratie vermindert.

• Neutron Tagging en Gamma Identificatie:

  • Modellen getraind op elektronen werden toegepast op 2,2 MeV gamma-stralen (simulatie van neutronenvangst op waterstof). De gesuperviseerde hit-level classifier behaalde een efficiëntie van 25,4%, vergeleken met 4,2% voor NHits. De MPDR behaalde 4,8%.

• Runtime Prestaties:

  • Inference-benchmarks op een NVIDIA A100 GPU toonden aan dat alle modellen ruim onder de milliseconde schaal opereren.
  • De MPDR energy network vertoonde de hoogste throughput (30.000 windows/s), gevolgd door de autoencoder (20.000 windows/s).
  • De gesuperviseerde transformer is weliswaar krachtig, maar heeft een hogere latentie en geheugengebruik vanwege de computationele kosten van het berekenen van pairwise relatieve positionele biases voor attention.

Betekenis en Claims
Het artikel claimt dat deep-learning-gebaseerde triggers een levensvatbaar pad bieden om de detectiedrempel voor Hyper-Kamiokande onder de 7 MeV te verlagen, een regime waar traditionele triggers falen door de dominantie van ruis.

• Haalbaarheid van Real-Time ML: De studie demonstreert dat complexe deep learning-modellen, inclusief Transformers en energy-based modellen, kunnen worden geïntegreerd in online DAQ-systemen met inference-latenties in de tientallen microseconden, wat voldoet aan de strikte timingvereisten van het experiment.
• Robuustheid via Anomaly Detection: De MPDR-benadering wordt benadrukt als een belangrijk bewijs van concept voor anomaly detection in de deeltjesfysica. Het vermogen om de efficiëntie te verbeteren zonder expliciete signaalmodellering maakt het robuust tegen mog\ijkheden van mismodellering van de signaalfysica, mits de detectorruis goed begrepen is.
• Complementariteit: De resultaten suggereren dat het combineren van traditionele hit-count triggers met machine learning-algoritmen (bijv. NHits als een pre-trigger gebruiken) de middelen kan optimaliseren terwijl de signaalretentie wordt gemaximaliseerd.
• Natuurkundige Impact: Door een efficiënte acquisitie van data onder 7 MeV mogelijk te maken, ondersteunen deze algoritmen direct cruciale natuurkundige doelen, waaronder de resolutie van zonne neutrino-oscillatieparameters, de detectie van de DSNB en de studie van supernova-dynamica.

De auteurs concluderen dat hoewel de gesuperviseerde hit-level classifier momenteel de beste prestaties levert, de MPDR-benadering een robuust, signaal-agnostisch alternatief biedt. Ze merken op dat verdere winsten behaald kunnen worden met specifieke modellen die temporele correlaties tussen prompt lepton-signalen en vertraagde gamma-stralen bevatten voor neutron tagging, wat in dit specifieke onderzoek niet volledig is verkend.