Hyper-Kamiokande 실험을 위한 딥러닝 기반 저에너지 트리거 알고리즘
요약
Hyper-Kamiokande 검출기의 저에너지 중성미자 이벤트를 포착하기 위한 딥러닝 기반 트리거 알고리즘 연구입니다. 지도 학습 모델과 MPDR 기반 이상 탐지 모델을 통해 기존 방식보다 높은 신호 식별 효율을 입증했습니다.
핵심 포인트
- 지도 학습 모델이 3 MeV 전자 기준 76.7%의 높은 효율 달성
- 기존 히트 수 기반 트리거(26.4%) 대비 성능 대폭 향상
- MPDR 기반 에너지 모델이 31.8%의 효율로 기존 방식 상회
- GPU 추론 지연 시간이 밀리초 미만으로 실시간 운영 가능성 확인
현대적인 머신러닝 (Machine Learning) 기술은 강력한 패턴 인식 (Pattern-recognition) 능력 덕분에 입자 물리학 (Particle physics) 분야에서 점점 더 중요해지고 있으며, 이는 엄격한 실행 시간 제약이 적용되는 실시간 데이터 획득 (Real-time data acquisition) 분야에서도 마찬가지입니다. 본 논문은 7 MeV 미만의 저에너지 중성미자 (Neutrino) 이벤트를 목표로 하는 Hyper-Kamiokande와 같은 대형 워터 체렌코프 검출기 (Water Cherenkov detector)를 위한 딥러닝 기반 트리거 알고리즘의 성능을 상세히 다룹니다. 맞춤형 신경망 지도 분류기 (Neural-network supervised classifiers)의 성능을 검출기 노이즈로만 학습된 두 가지 이상 탐지 (Anomaly-detection) 접근 방식, 즉 순수 오토인코더 (Autoencoder) 및 Manifold Projection--Diffusion Recovery (MPDR) 기반의 에너지 모델 (Energy-based model)과 함께 보여줍니다. 지도 학습 모델은 3 MeV 운동 에너지를 가진 단일 전자에 대해 76.7%의 신호 식별 효율 (Signal identification efficiencies)을 보여주었으며, 이는 기존의 히트 수 기반 (Hit-count-based) 트리거의 효율인 26.4%를 크게 상회하며, MPDR 방식 또한 31.8%로 이를 상회합니다. GPU에서의 실행 시간 평가 결과, 윈도우당 추론 지연 시간 (Inference latencies)이 밀리초 (Millisecond) 규모를 훨씬 밑도는 것으로 나타나 실시간 운영이 가능함을 시사합니다.
AI 자동 생성 콘텐츠
본 콘텐츠는 arXiv cs.LG의 원문을 AI가 자동으로 요약·번역·분석한 것입니다. 원 저작권은 원저작자에게 있으며, 정확한 내용은 반드시 원문을 확인해 주세요.
원문 바로가기