Enhanced Ionization Charge Identification in the Short-Baseline Neutrino Program Neutrino Detectors with Deep Neural Networks

本文介绍了一种基于深度神经网络的感兴趣区域检测方法（DNN ROI），用于短基线中微子计划的液氩时间投影室，该方法在识别电离电荷和重建中微子相互作用方面优于传统阈值算法，同时展现出对探测器变化的更强鲁棒性。

要点

想象一下，你正试图在一个非常嘈杂、拥挤的房间里听清一段特定的对话。房间里充满了静电、回声以及人们互相喊叫的声音。这本质上就是科学家在探测中微子——那些几乎不与任何物质相互作用的微小、幽灵般的粒子——时所面临的困境。

这篇论文描述了一种新的“智能耳朵”（即深度神经网络，DNN），旨在帮助两个特定的探测器——SBND 和 ICARUS——清晰地听到这些幽灵般的对话。以下是其工作原理的简单概念分解：

1. 问题：房间里的“静电”

本实验使用的探测器类似于充满液态氩的巨大 3D 相机。当中微子撞击原子时，会产生一串电子（就像火花）。探测器试图记录这些向导线漂移的火花。

然而，记录过程杂乱无章：

• 噪声：存在电子静电（就像收音机里的杂音），淹没了信号。
• “双刃剑”效应：在某些导线上，信号看起来像是一个先上升然后立即下降的波，相互抵消。这就像试图观察一个在明暗之间不断翻转的影子，让人难以判断物体实际的位置。
• 旧方法：寻找这些火花的传统方式就像使用一个简单的“音量旋钮”。如果声音超过某个特定水平，计算机就假设它是信号；如果太安静，则被忽略。这种方法对响亮、清晰的声音（如喊叫）有效，但对复杂、微弱或被“抵消”的耳语则失效。

2. 解决方案：“智能侦探”（DNN ROI）

作者构建了一个名为DNN ROI（感兴趣区域）的新系统。这个系统不再仅仅监听响亮的噪音，而是像一个超级聪明的侦探，一次性审视全局。

• 审视整个房间：AI 不再逐个检查导线，而是查看探测器整体的二维图像。它观察导线之间如何相互作用。
• 交叉核对线索：探测器有三层导线。AI 会检查“火花”是否在同一时刻出现在所有三层的相同位置。如果是，那几乎肯定是一个真实的粒子；如果只出现在一层上，那很可能只是静电噪声。
• 从错误中学习：该 AI 是在数百万个模拟事件上训练出来的。为了使其更稳健，科学家在训练过程中“欺骗”了 AI，随机关闭导线或添加额外的静电。这就像训练侦探时，让他们身处灯光闪烁且部分麦克风损坏的房间，从而学会即使在情况出错时也能找到真相。

3. 结果：更清晰的画面

当他们用这种新 AI 与旧的“音量旋钮”方法进行对比测试时，结果令人印象深刻：

• 发现难以察觉的目标：AI 在寻找那些几乎与导线平行、通常会在“抵消”效应中丢失的细长粒子轨迹方面表现更佳。它也更擅长发现粒子的“簇射”（就像单次撞击产生的火花喷雾）。
• 测量能量：由于 AI 找到了更多的信号并忽略了更多的噪声，科学家能够更准确地测量粒子的能量。这就像是通过模糊照片猜测包裹重量与在精密秤上称重之间的区别。
• 鲁棒性：即使探测器出现“故障”（如死线或额外噪声），AI 也不会感到困惑。它知道忽略损坏的部分并专注于正常工作的部分。然而，旧方法往往会因这些故障而受挫。

4. 为什么这很重要

这不仅仅是为了获得更好的图像，更是关乎物理学。通过如此有效地清理数据，科学家现在能够以更高的精度研究中微子的性质。

论文结论指出，这种“智能侦探”目前正被用于 SBND 和 ICARUS 实验的真实数据中。它是一个灵活的工具，能够适应不同的探测器条件，确保科学家不会错过这些幽灵般粒子留下的任何微妙线索。作者还指出，这项技术同样可以调整用于未来更大规模的实验（如 DUNE），以帮助它们更清晰地观测宇宙。

技术摘要

技术摘要：短基线中微子计划中的增强电离电荷识别

问题陈述
费米国家加速器实验室（FNAL）的短基线中微子（SBN）计划利用液氩时间投影室（LArTPC），特别是 SBND 和 ICARUS 探测器，以高空间分辨率重建带电粒子轨迹。事件重建的一个关键早期步骤是信号处理，涉及在原始波形中识别包含真实电离信号的感兴趣区域（ROIs）。传统的 ROI 检测依赖于逐线阈值处理和基于粒子轨迹连通性的启发式方法。虽然这些方法对稀疏的高能轨迹有效，但在处理复杂的电荷沉积时却面临困难，例如垂直于线平面的延伸轨迹（由于双极感应效应产生延长的非高斯信号）和电磁簇射。此外，传统算法对探测器性能的变化较为敏感，包括噪声波动、电子寿命变化以及线平面不透明度的影响。

方法论
为了解决这些局限性，作者实现了一种基于深度神经网络（DNN）的 ROI 检测方法（DNN ROI），该方法最初在参考文献 [8] 中提出，并针对 SBND 和 ICARUS 探测器进行了调整。该方法将 ROI 检测构建为一个二维语义分割任务，将探测器读出中的每个像素标记为信号或噪声。

• 输入预处理：网络摄入三个源自反卷积波形的二维图像通道：
  1. ROI 滤波器输出：一种针对信噪比优化的类维纳滤波波形。
  2. 双平面（MP2）符合：一个二值图，标识在公共时间窗口内至少在两个线平面上活动重合的通道。
  3. 三平面（MP3）符合：一个二值图，突出显示在所有三个线平面上同时具有信号的通道。
• 网络架构：系统采用 U-ResNet 架构，结合了 U-Net 编码器 - 解码器结构与 ResNet 残差块。该网络通过“分块”（将图像分割为更小的数组）和“下采样”（在固定时间刻度间隔上取平均）进行计算优化，以便在 LArSoft 框架内的 CPU 上进行推理。
• 训练与增强：训练样本使用蒙特卡洛模拟（GENIE、CORSIKA、GEANT4 和 WireCell）生成，涵盖 BNB 和 NuMI 中微子相互作用、宇宙射线以及特定的具有挑战性的拓扑结构，如延长轨迹和$\nu_e$簇射。为了确保对真实世界探测器变化的鲁棒性，作者采用了数据增强策略：
  • ICARUS：“全探测器（OmniDetector）”样本，其中模拟参数（噪声尺度、电子寿命、增益、信号形状）被随机变化，以反映观测到的探测器不稳定性。
  • SBND：直接对 ROI 滤波器输出图像进行增强，以模拟波形模糊、像素缩放和掩蔽（死）线带。
  • 类别不平衡：使用加权二元交叉熵损失函数来解决信号像素稀疏的问题。

主要贡献

1. DNN ROI 的实现：成功调整并部署了基于深度学习的 ROI 查找器，用于 SBND 和 ICARUS 探测器，取代了传统的阈值算法。
2. 通过增强实现的鲁棒性：一项系统研究表明，使用增强样本（模拟死线、噪声变化和信号形状变化）进行训练，显著提高了网络对探测器缺陷和性能漂移的抵抗力。
3. 跨平面集成：利用几何约束（MP2 和 MP3 符合）作为输入通道，增强了网络区分真实物理信号与噪声及感应平面伪影的能力。
4. 科学鲁棒性案例研究：这项工作作为机器学习中“科学鲁棒性”的实际演示，表明神经网络即使在面对典型真实实验的数据变形时，也能提供无偏的结果。

结果
评估使用低级指标（像素/ROI 效率和纯度）和高级重建指标（电荷提取和簇射完整性），将 DNN ROI 与传统方法进行了比较。

• 性能提升：DNN ROI 在各种事件拓扑结构中的效率和纯度均优于传统阈值处理。改进在以下情况尤为显著：
  • 延长轨迹：与漂移场成浅角度的轨迹，在这些区域双极抵消传统上会掩盖信号。
  • 电磁簇射：传统方法受能量依赖性偏差影响的复杂拓扑结构。
• 对变化的鲁棒性：
  • 在 ICARUS 中，基于“全探测器”样本训练的 DNN ROI 模型在极端变化（例如噪声增加 20%、低电子寿命）下保持了稳定的性能，而传统算法则显示出显著的性能下降（效率 $\times$ 纯度下降高达 7%）。
  • 在 SBND 中，经过增强训练的网络成功识别并忽略了死线区域，而在名义数据上训练的模型则在这些区域产生了非物理的 ROI。
• 真实数据验证：对 SBND 宇宙数据的分析证实，DNN ROI 保持了与传统方法相当的平面间电荷平衡，验证了其在模拟之外的适用性。
• 消融研究：移除输入通道（MP2 或 MP3）导致一般中微子事件的性能略有下降，但在特定的具有挑战性的拓扑结构（延长轨迹和簇射）中出现了明显的性能退化，证实了跨平面几何约束的价值。

意义
该论文声称，DNN ROI 为 LArTPC 中的信号处理提供了一个灵活且稳健的框架，克服了基于启发式方法的局限性。通过利用完整的二维探测器读出和跨平面匹配，该方法提高了电离电荷提取和粒子能量重建的保真度。作者强调，所证明的对探测器变化的鲁棒性使该方法适用于当前的 SBN 运行，并可适应未来的大型实验，如深地中微子实验（DUNE）。这项工作确立了将机器学习集成到中微子实验核心信号处理链中的先例，以应对复杂的探测器条件并提高物理探测能力。