Published October 8, 2020 | Version v1
Publication Open

Event reconstruction for KM3NeT/ORCA using convolutional neural networks

Creators

  • 1. Istituto Nazionale di Fisica Nucleare
  • 2. Institut Pluridisciplinaire Hubert Curien
  • 3. Laboratoire de Physique Nucléaire et de Hautes Énergies
  • 4. Instituto de Física Corpuscular
  • 5. Universitat de València
  • 6. Centre de Physique des Particules de Marseille
  • 7. INFN Sezione di Roma I
  • 8. Cidete (Spain)
  • 9. Universitat Politècnica de Catalunya
  • 10. Institute of Nuclear and Particle Physics
  • 11. National Centre of Scientific Research "Demokritos"
  • 12. INFN Sezione di Genova
  • 13. Universidad de Granada
  • 14. Friedrich-Alexander-Universität Erlangen-Nürnberg
  • 15. Universitat Politècnica de València
  • 16. Laboratoire AstroParticule et Cosmologie
  • 17. INFN Sezione di Napoli
  • 18. National Institute for Subatomic Physics
  • 19. Mohammed V University
  • 20. University of Groningen
  • 21. Laboratori Nazionali del Sud
  • 22. North-West University
  • 23. Mohamed I University
  • 24. University of Salerno
  • 25. Institute of Space Science
  • 26. University of Amsterdam
  • 27. Netherlands Organisation for Applied Scientific Research
  • 28. University of Campania "Luigi Vanvitelli"
  • 29. Sapienza University of Rome
  • 30. INFN Sezione di Bologna
  • 31. Gran Sasso Science Institute
  • 32. Cadi Ayyad University
  • 33. University of the Witwatersrand
  • 34. University of Catania
  • 35. National Laboratory of Frascati
  • 36. INFN Sezione di Bari
  • 37. Polytechnic University of Bari
  • 38. Laboratoire de Physique Subatomique et des Technologies Associées
  • 39. University of Bari Aldo Moro
  • 40. University of Bologna
  • 41. University of Würzburg
  • 42. Fischer (Germany)
  • 43. Western Sydney University
  • 44. Laboratoire Univers et Particules de Montpellier
  • 45. INFN Sezione di Pisa
  • 46. University of Münster
  • 47. University of Genoa
  • 48. Royal Netherlands Institute for Sea Research
  • 49. Utrecht University

Description

The KM3NeT research infrastructure is currently under construction at two locations in the Mediterranean Sea. The KM3NeT/ORCA water-Cherenkov neutrino detector off the French coast will instrument several megatons of seawater with photosensors. Its main objective is the determination of the neutrino mass ordering. This work aims at demonstrating the general applicability of deep convolutional neural networks to neutrino telescopes, using simulated datasets for the KM3NeT/ORCA detector as an example. To this end, the networks are employed to achieve reconstruction and classification tasks that constitute an alternative to the analysis pipeline presented for KM3NeT/ORCA in the KM3NeT Letter of Intent. They are used to infer event reconstruction estimates for the energy, the direction, and the interaction point of incident neutrinos. The spatial distribution of Cherenkov light generated by charged particles induced in neutrino interactions is classified as shower- or track-like, and the main background processes associated with the detection of atmospheric neutrinos are recognized. Performance comparisons to machine-learning classification and maximum-likelihood reconstruction algorithms previously developed for KM3NeT/ORCA are provided. It is shown that this application of deep convolutional neural networks to simulated datasets for a large-volume neutrino telescope yields competitive reconstruction results and performance improvements with respect to classical approaches.

⚠️ This is an automatic machine translation with an accuracy of 90-95%

Translated Description (Arabic)

البنية التحتية للبحوث KM3NeT قيد الإنشاء حاليًا في موقعين في البحر الأبيض المتوسط. سيقوم كاشف النيوترينو KM3NeT/ORCA water - Chrenkov قبالة الساحل الفرنسي بتجهيز عدة ميغاطن من مياه البحر بأجهزة استشعار ضوئية. هدفها الرئيسي هو تحديد ترتيب كتلة النيوترينو. يهدف هذا العمل إلى إثبات التطبيق العام للشبكات العصبية الالتفافية العميقة على تلسكوبات النيوترينو، باستخدام مجموعات بيانات محاكاة لكاشف KM3NeT/ORCA كمثال. ولتحقيق هذه الغاية، يتم استخدام الشبكات لتحقيق مهام إعادة الإعمار والتصنيف التي تشكل بديلاً لخط أنابيب التحليل المقدم لـ KM3NeT/ORCA في خطاب نوايا KM3NeT. يتم استخدامها لاستنتاج تقديرات إعادة بناء الحدث للطاقة والاتجاه ونقطة التفاعل للنيوترونات الساقطة. يتم تصنيف التوزيع المكاني لضوء شيرينكوف الناتج عن الجسيمات المشحونة المستحثة في تفاعلات النيوترينو على أنه دش أو يشبه المسار، ويتم التعرف على عمليات الخلفية الرئيسية المرتبطة بالكشف عن النيوترونات الجوية. يتم توفير مقارنات الأداء لتصنيف التعلم الآلي وخوارزميات إعادة الإعمار ذات الاحتمالية القصوى التي تم تطويرها مسبقًا لـ KM3NeT/ORCA. لقد تبين أن هذا التطبيق للشبكات العصبية الالتفافية العميقة لمحاكاة مجموعات البيانات لتلسكوب نيوترينو كبير الحجم ينتج عنه نتائج إعادة بناء تنافسية وتحسينات في الأداء فيما يتعلق بالنهج الكلاسيكية.

Translated Description (French)

L'infrastructure de recherche KM3NeT est actuellement en construction sur deux sites en Méditerranée. Le détecteur de neutrinos KM3NeT/ORCA Water-Cherenkov au large des côtes françaises instrumentera plusieurs mégatonnes d'eau de mer avec des photocapteurs. Son objectif principal est la détermination de l'ordre de masse des neutrinos. Ce travail vise à démontrer l'applicabilité générale des réseaux de neurones convolutifs profonds aux télescopes à neutrinos, en utilisant des ensembles de données simulés pour le détecteur KM3NeT/ORCA comme exemple. À cette fin, les réseaux sont utilisés pour réaliser des tâches de reconstruction et de classification qui constituent une alternative au pipeline d'analyse présenté pour KM3NeT/ORCA dans la lettre d'intention KM3NeT. Ils sont utilisés pour déduire des estimations de reconstruction d'événements pour l'énergie, la direction et le point d'interaction des neutrinos incidents. La distribution spatiale de la lumière de Cherenkov générée par les particules chargées induites dans les interactions de neutrinos est classée comme semblable à une douche ou à une piste, et les principaux processus de fond associés à la détection des neutrinos atmosphériques sont reconnus. Des comparaisons de performances avec la classification d'apprentissage automatique et les algorithmes de reconstruction à probabilité maximale précédemment développés pour KM3NeT/ORCA sont fournies. Il est montré que cette application de réseaux neuronaux convolutifs profonds à des ensembles de données simulés pour un télescope à neutrinos de grand volume donne des résultats de reconstruction compétitifs et des améliorations de performance par rapport aux approches classiques.

Translated Description (Spanish)

La infraestructura de investigación KM3NeT se encuentra actualmente en construcción en dos ubicaciones en el mar Mediterráneo. El detector de neutrinos KM3NeT/ORCA water-Cherenkov frente a la costa francesa instrumentará varios megatones de agua de mar con fotosensores. Su objetivo principal es la determinación del ordenamiento de la masa de neutrinos. Este trabajo tiene como objetivo demostrar la aplicabilidad general de las redes neuronales convolucionales profundas a los telescopios de neutrinos, utilizando como ejemplo conjuntos de datos simulados para el detector KM3NeT/ORCA. Con este fin, las redes se emplean para lograr tareas de reconstrucción y clasificación que constituyen una alternativa al pipeline de análisis presentado para KM3NeT/ORCA en la Carta de Intención de KM3NeT. Se utilizan para inferir estimaciones de reconstrucción de eventos para la energía, la dirección y el punto de interacción de los neutrinos incidentes. La distribución espacial de la luz de Cherenkov generada por partículas cargadas inducidas en las interacciones de neutrinos se clasifica como ducha o pista, y se reconocen los principales procesos de fondo asociados con la detección de neutrinos atmosféricos. Se proporcionan comparaciones de rendimiento con la clasificación de aprendizaje automático y los algoritmos de reconstrucción de máxima probabilidad desarrollados previamente para KM3NeT/ORCA. Se demuestra que esta aplicación de redes neuronales convolucionales profundas a conjuntos de datos simulados para un telescopio de neutrinos de gran volumen produce resultados de reconstrucción competitivos y mejoras de rendimiento con respecto a los enfoques clásicos.

Files

pdf.pdf

Files (11.9 kB)

⚠️ Please wait a few minutes before your translated files are ready ⚠️ Note: Some files might be protected thus translations might not work.
Name Size Download all
md5:7b3b044c627c95bc1295bea788697328
11.9 kB
Preview Download

Additional details

Additional titles

Translated title (Arabic)
إعادة بناء الحدث لـ KM3NeT/ORCA باستخدام الشبكات العصبية الالتفافية
Translated title (French)
Reconstruction d'événements pour KM3NeT/ORCA à l'aide de réseaux neuronaux convolutionnels
Translated title (Spanish)
Reconstrucción de eventos para KM3NeT/ORCA utilizando redes neuronales convolucionales

Identifiers

Other
https://openalex.org/W3016884456
DOI
10.1088/1748-0221/15/10/p10005

Is supplement to
https://openalex.org/W4385356670 (Other)
https://openalex.org/W4230744697 (Other)
https://openalex.org/W3178995869 (Other)
https://openalex.org/W2947153326 (Other)
https://openalex.org/W2806910436 (Other)
https://openalex.org/W2803022040 (Other)
https://openalex.org/W2752444423 (Other)
https://openalex.org/W2299768371 (Other)
https://openalex.org/W1995249813 (Other)
https://openalex.org/W1841087090 (Other)

GreSIS Basics Section

Is Global South Knowledge
Yes
Country
Morocco

References

  • https://openalex.org/W1924726616
  • https://openalex.org/W1978763459
  • https://openalex.org/W2000972837
  • https://openalex.org/W2001768493
  • https://openalex.org/W2117539524
  • https://openalex.org/W2265908594
  • https://openalex.org/W2339008828
  • https://openalex.org/W2567461543
  • https://openalex.org/W2739988885
  • https://openalex.org/W2795194658
  • https://openalex.org/W2806652118
  • https://openalex.org/W2810437889
  • https://openalex.org/W2883656017
  • https://openalex.org/W2899140785
  • https://openalex.org/W2911964244
  • https://openalex.org/W2949608135
  • https://openalex.org/W2952361693
  • https://openalex.org/W2964121744
  • https://openalex.org/W3008135094
  • https://openalex.org/W3098236562
  • https://openalex.org/W3138798301
  • https://openalex.org/W4297779039