来源论文: https://arxiv.org/abs/2604.13503v1 生成时间: Apr 18, 2026 09:40

使用机器学习增强超神冈探测器事件重建：ResNet 实现的深度解析

0. 执行摘要

超神冈（Hyper-Kamiokande, HK）实验旨在通过对中微子振荡进行前所未有的精确测量，探索宇宙中的奥秘，特别是对CP破坏相 δcp 的灵敏度。实现这些高精度目标需要生成大量蒙特卡洛（Monte Carlo, MC）数据集，以满足严格的系统不确定性要求。然而，传统的最大似然法（如 FITQUN）虽然能提供高质量的事件重建，但其单事件计算成本过高，使得对如此庞大且系统性变化的MC样本进行重建变得日益不切实际，尤其是在处理复杂的事件拓扑（如重叠的切伦科夫环、近壁顶点或稀疏的光子数据）时。此外，传统的粒子识别方法在区分某些关键背景（如电子与中性π介子、电子与光子）时面临固有挑战。

本研究提出了一种基于神经网络的重建方法，利用ResNet-152模型对超神冈远探测器模拟数据进行事件重建。通过将光电倍增管（PMT）的电荷和时间信息转化为二维图像输入，该模型能够对事件进行四类粒子识别（电子、μ子、γ光子、π⁰介子），并对电子和μ子的相互作用顶点、方向和动量进行回归。研究结果表明，该方法在整个运动学范围内实现了与传统方法相当的重建分辨率和精度。更重要的是，ResNet模型在单个GPU上的推理时间仅为1-2毫秒/事件，相对于基于似然法的重建方法，实现了3.2 × 10^4至5.2 × 10^4倍的速度提升。这些突破性的成果凸显了深度学习作为超神冈事件重建的可扩展替代方案的巨大潜力，有望彻底改变未来大型中微子实验的数据处理和物理分析范式。

1. 核心科学问题，理论基础，技术难点，方法细节

1.1 核心科学问题

超神冈实验是正在日本建设的下一代水切伦科夫探测器，旨在继承神冈（Kamiokande）、超级神冈（Super-Kamiokande）和T2K长基线项目（T2K program）的成功经验，对中微子振荡参数进行精确测量，尤其对CP破坏相δcp具有特别的敏感性。这些测量依赖于J-PARC加速器产生的1.3 MW中微子束，该束将指向295公里外的超神冈探测器。为了实现这些前所未有的精度目标，准确重建中微子相互作用产生的次级带电粒子的动量、方向和相互作用顶点至关重要，因为中微子振荡概率（例如P(νμ→νe)）强烈依赖于入射中微子能量Ev。精确的顶点位置定义了事件是否位于探测器的可探测体积（fiducial volume）内，直接影响测量的事件率。此外，精确的粒子识别（如区分电子、μ子、γ光子和π⁰介子）对于有效抑制背景并提高信号纯度至关重要，尤其是对于νμ→νe外观测量。

为满足实验对系统不确定性的严格要求，需要生成比以往实验大得多的蒙特卡洛（MC）数据集。在传统的基于模板的前向折叠（forward-folded）框架中，高统计量的模拟样本用于构建预测事件分布、效率和迁移矩阵，同时通过重加权（reweighting）应用振荡和许多系统参数。然而，在这种框架下，传统基于最大似然的重建方法（如当前最先进的FITQUN）其O(分钟)级的单事件运行时间变得 prohibitive，使得对大规模MC样本的重建，特别是需要考虑探测器和相互作用系统性变化的样本，在计算上变得不可行。因此，开发一种可扩展、高速且鲁棒的重建方法是超神冈实验的关键。

1.2 理论基础

水切伦科夫探测器（如超神冈）的基本工作原理是，当带电粒子在水中以超过介质中光速的速度运动时，会发射切伦科夫辐射。这种辐射是由PMT阵列检测到的，PMT记录的光电子电荷和击中时间通常在探测器圆柱形表面形成环形图案。这些PMT电荷和时间信息是重建相互作用顶点、带电粒子径迹方向和动量以及可见能量的主要观测值。动量是根据收集到的总电荷估算的，因为产生的切伦科夫光量与粒子沿其径迹的能量损失有关。

粒子识别（PID）主要基于切伦科夫环的拓扑特征。相对论μ子形成清晰、定义明确的环，对应于最小电离径迹；而电子则引发电磁簇射，产生更宽泛、模糊的环，边缘不那么清晰。这些形态差异是传统“μ型”和“e型”事件分离的基础。然而，更具挑战性的背景来自中性π⁰介子产生，其中π⁰→γγ衰变会产生两个电磁簇射。在足够高的动量下，这两个环会重叠并模仿单个e型环，构成νμ→νe外观测量中的第二大主导背景，直接影响CP破坏相δcp的测量。区分电子和单光子也同样困难：虽然光子在转换前不发射切伦科夫光，但由此产生的电磁簇射会产生e型拓扑，尤其当转换点靠近主要顶点时。事实上，这项任务非常困难，以至于超级神冈尚未成功实现e-γ分离器。因此，鲁棒的e-π⁰和e-γ鉴别对于维持高纯度νe样本和抑制振荡分析中的中性流背景至关重要。

本研究利用卷积神经网络（Convolutional Neural Networks, CNNs），特别是残差网络（ResNets），来处理PMT阵列记录的高维电荷和时间图像。ResNets [17] 因其在图像识别任务中的卓越性能而闻名，其核心是“残差块”（residual blocks）设计，通过跳跃连接（shortcut connections）允许梯度直接流过网络层，有效解决了深度网络训练中的梯度消失问题，从而能够构建非常深的神经网络。这种架构特别适合处理图像数据，能够自动学习图像中的局部和全局特征，非常适用于PMT击中模式的分析。

传统的最大似然重建算法，如FITQUN [43, 44]，通过最大化以下似然函数来确定最优事件描述：

$L(x) = \prod_j P_j(\text{unhit}|x) \prod_i P_i(\text{hit}|x) \cdot f_q(q_i|x) \cdot f_t(t_i|x)$

其中，假说向量x编码了相互作用顶点(x, y, z)、相互作用时间、径迹方向和动量，以及（如果相关）额外的运动学参数。FITQUN通过明确的假设检验来处理粒子识别等离散量。虽然FITQUN对简单的单环拓扑表现可靠，但在更大、更复杂的超神冈探测器中，当存在多个重叠环或紧密间隔的电磁簇射时，其精度会下降，并导致分辨率降低、系统不确定性增加，计算成本也随之升高。

1.3 技术难点

超神冈实验面临的计算和拓扑挑战是多方面的：

  1. 巨大的蒙特卡洛样本需求： 为实现高精度中微子振荡测量，控制系统性不确定性，需要生成和重建远超以往规模的MC样本。传统方法（如FITQUN）的计算成本（O(分钟)/事件）使得这一任务在计算上变得不可行。对不同系统性参数（如通量、截面、探测器响应）变化的评估需要独立的重建样本，这进一步加剧了计算负担。

  2. 复杂事件拓扑： 传统的最大似然方法往往难以处理复杂的事件拓扑，例如：

    • 重叠的切伦科夫环： 当多个次级粒子（如π⁰→γγ衰变产生的两个光子）产生的切伦科夫光环重叠时，识别和重建变得非常困难。
    • 近壁顶点事件： 当相互作用顶点靠近探测器壁时，切伦科夫锥可能在短距离内与探测器壁相交，导致大部分光被少数PMT收集，使得环形图案难以分辨，重建性能显著下降。
    • 稀疏光子统计： 在低能区，粒子产生的切伦科夫光子数量较少，光子统计量的限制使得重建精度下降，尤其容易受到暗噪声的影响。

  3. 粒子识别挑战：

    • e-π⁰ 鉴别： 中性π⁰介子衰变产生两个光子，进而引发两个电磁簇射。在较高动量下，这两个簇射可能重叠并模仿单个电子事件，构成νμ→νe外观测量中的主要背景。
    • e-γ 鉴别： 光子通过对产生而形成电子-正电子对，其切伦科夫信号与初级电子非常相似。这是超级神冈尚未成功解决的难题，对提升νe样本纯度至关重要。
    • μ子衰变： 在低动量下，μ子可能在探测器内停止并衰变产生米歇尔电子（Michel electron），其切伦科夫光会与初级μ子信号混合，形成复杂的双环拓扑，混淆重建网络。

  4. 鲁棒性需求： 重建算法需要对探测器和相互作用的系统性变化保持鲁棒性，以准确估计选择效率、能量尺度不确定性和跨可探测体积边界的事件迁移。

1.4 方法细节

本研究采用了一种基于ResNet的深度学习方法来应对上述挑战，其主要流程和技术细节如下：

1. 模拟数据生成：

  • 使用开源软件包WCSim [24] 生成训练和验证样本。完整的模拟配置（包括探测器几何形状、光学属性、数字化和触发设置、暗噪声模型、粒子生成命令）在附录F中详细说明。
  • 探测器几何： 使用了HyperK_HybridmPMT_WithOD_Realistic几何配置，包括50厘米内探测器PMT、多PMT模块（mPMT）和外探测器（OD）PMT。然而，本研究仅使用内探测器50厘米PMT的数据作为输入图像，mPMT和OD PMT被排除在重建之外，留待未来研究。
  • 事件类型： 生成了四种统计独立的单粒子数据集，每种包含约10^7个事件：电子（e）、μ子（μ）、正负电子对产生的γ光子（γ）和中性π介子（π⁰）。
  • 运动学参数： 对于每个事件，相互作用顶点在内探测器体积内均匀抽取，方向各向同性采样，真实动能从切伦科夫阈值以上到2 GeV（具体数值范围见附录F）均匀选择。
  • 特殊处理：
    • γ光子： 所有γ光子事件都被强制进行对产生（pair production），避免康普顿散射产生的电子径迹与初级电子混淆，从而提高e-γ分类任务的鲁棒性。
    • μ子衰变： 在 μ子样本中禁用 μ子衰变，以避免衰变电子的切伦科夫光与初级 μ子信号混淆。这使得网络能够学习单个 μ子的孤立拓扑。在附录D中，对允许 μ子衰变的情况进行了单独研究。

2. 输入图像构建：

  • 图像尺寸和通道： 输入是190 × 189像素的二维“图像”，具有两个通道。每个像素对应内探测器壁上的一个50厘米PMT。
  • PMT信息映射：
    • 图像展开： 将圆柱形探测器表面沿方位角方向展开，并将顶部和底部的桶盖垂直放置在展开壁上。这种扁平化表示基本保留了相邻PMT的邻接性，允许卷积核利用局部相关性。
    • 图像旋转： 图像随后旋转45°。由于探测器壁上的PMT相对于端盖是偏移的，这种旋转将它们全部对齐到规则的行和列网格中，消除了物理PMT之间的虚拟像素需求，从而提高了训练效率。
    • 通道内容： 第一个通道存储击中时间（以纳秒为单位，相对于读出窗口的开始时间）；第二个通道存储在1.35微秒读出窗口内收集到的PMT的积分电荷（以光电子为单位）。
  • 额外输入： 曾研究过包含PMT笛卡尔坐标和表面法线在内的八通道输入，但未发现统计学上的显著改进，表明电荷-时间模式中隐含的位置信息已足以让网络推断探测器几何形状。

3. 机器学习框架与模型架构：

  • 框架： 训练、验证和测试均使用WATCHMAL [23] 框架进行，该框架整合了数据加载、增强、优化和性能记录。
  • 模型： 所有网络均采用基于ResNet-152 [17] 的基本架构设计。其实现遵循瓶颈残差块（bottleneck residual blocks）和跳跃连接（shortcut connections）的经典设计，有助于稳定的梯度流。
    • 初始层： 输入图像经过一个标准的7×7卷积层和一个3×3最大池化层。
    • 残差块阶段： 随后是四个残差块阶段，通道深度分别为{64, 128, 256, 512}。
    • 输出层： 一个自适应平均池化层减少空间维度，然后是一个全连接层，投射到所需的输出维度。
  • 初始化和规范化： 采用Kaiming-normal权重初始化 [26] 和残差分支零初始化批规范化 [27]。

4. 任务与输出：

  • 回归任务（6个模型）：
    • 顶点重建： 每个模型输出三个分量（x, y, z），表示相互作用顶点。
    • 方向重建： 每个模型输出一个单位方向向量（x, y, z），原始模型输出经过归一化以强制其值为单位向量。
    • 能量重建： 模型重建总能量Etotal = T + m (MeV)，其中T是动能，m是静止质量。动量p通过$p = \sqrt{E_{\text{total}}^2 - m^2}$ 获得。
  • 分类任务（1个模型）：
    • 粒子识别： 返回一个四分量（e, μ, γ, π⁰）假设上的softmax分布，提供粒子识别概率。

5. 损失函数：

  • 顶点和方向重建： 采用Huber损失函数 [25]，对交互顶点和方向逐元素应用，δ分别设为20和5。

  • 能量重建： 采用相对Huber损失，用相对残差替代绝对残差。给定目标E、预测Ê和阈值δ > 0，相对Huber损失定义为：

    $L(\hat{E}, E) = \begin{cases} \frac{1}{2}\left(\frac{\hat{E}-E}{E+\epsilon}\right)^2, & \text{if } \left|\frac{\hat{E}-E}{E+\epsilon}\right| < \delta \\ \delta\left|\frac{\hat{E}-E}{E+\epsilon}\right| - \frac{1}{2}\delta^2, & \text{otherwise} \end{cases}$

    其中ε是为数值稳定性而添加的小常数（模型中为10^-6），δ设为0.1。这种公式化方法是为了避免高能量误差被过度加权。

  • 分类： 使用标准交叉熵损失（cross-entropy loss）。

6. 训练过程：

  • 数据集划分： 每个数据集按96:2:2的比例划分为训练、验证和测试子集，分类器强制执行类别平衡。这确保了验证集和测试集具有足够的统计量。
  • 硬件： 所有六个回归模型在四块NVIDIA A100 GPU上使用同步数据并行训练进行20个epoch优化。分类器使用相同设置进行12个epoch优化。
  • 批量大小： 每个优化步骤处理512个事件的mini-batch，并在四台设备上均匀分布。
  • 验证： 回归任务每500次迭代（分类任务每3000次）暂停训练并执行验证阶段。模型参数对应于最佳验证性能的检查点被保留，以减轻过拟合并选择最优模型。
  • 优化器： 所有回归网络使用ADAMW优化器 [28]，初始学习率为10^-3，在2.5个训练周期内衰减至10^-6（即具有暖重启的余弦退火调度器），然后返回10^-3。还应用了0.005的权重衰减。

7. 事件选择标准：

  • 回归网络： 仅应用包含性要求。在测试阶段，同时应用包含性切口和200次击中切口。在这些选择后，约92.5%的电子样本和87.9%的μ子样本保留下来。
  • 分类网络： 训练期间不应用包含性切口或击中切口，以保持四种粒子类别之间的类别平衡。测试时，这两种切口均被施加。在这些评估选择后，γ、e、μ和π⁰事件分别保留了92.8%、92.2%、87.9%和91.8%。

8. 评估指标：

  • 动量： 以分数偏差（Δp/Ptrue的平均值）和分辨率σ68(Δp/Ptrue)衡量，后者定义为偏差绝对值第68百分位数。
  • 顶点： 以欧几里得距离Δr = ||rpred - rtrue||2衡量，分辨率σ68(Δr)定义为具有较小Δr值的事件的第68百分位数。
  • 方向： 以重建和真实单位向量之间的夹角Δθ = arccos(ûpred·ûtrue)衡量，分辨率σ68(Δθ)定义为具有较小Δθ值的事件的第68百分位数。
  • 分类： 采用ROC曲线、AUC（曲线下面积）、纯度、效率、F1-分数和精度来评估，固定背景抑制工作点为μ：99.9%，γ：80%，π⁰：95%。
  • 置信区间： 所有报告的分辨率、偏差和分类指标均附有通过自举重采样（bootstrap resampling）估计的95%置信区间。

通过上述详细的方法论，本研究致力于证明深度学习在应对超神冈实验计算和物理挑战方面的有效性。

2. 关键 benchmark 体系，计算所得数据，性能数据

本研究的核心在于通过在Hyper-Kamiokande远探测器模拟数据上应用ResNet模型，对中微子事件重建性能进行基准测试和评估。我们将模型的性能与超级神冈-IV（Super-Kamiokande-IV）大气中微子振荡分析中报告的传统FITQUN算法的结果进行对比 [29]，并在Hyper-Kamiokande物理潜力研究 [2] 中报告的500 MeV/c基准进行上下文分析。需要强调的是，这种比较是间接且近似的，因为探测器几何、事件选择和FITQUN配置存在差异。一个确切的评估需要使用本研究中相同的模拟事件来运行FITQUN，这超出了本研究的范围，但仍提供了有价值的参考。

2.1 运动学重建结果

动量重建（图2，表1）：

  • μ子动量重建：
    • 偏差： 在250 MeV/c以上的动量范围内，网络实现的动量偏差保持在0.25%以下，平均分数偏差为-0.096 ± 0.007%。这优于超级神冈-IV FITQUN的结果（-0.18%）。
    • 分辨率： 分辨率从150 MeV/c时的约2.3%提高到2.2 GeV/c时的约1.2%。平均分辨率为1.346 ± 0.007%，同样优于SK-IV FITQUN（2.26%）和HK 2015基准（2.6%）。
  • 电子动量重建：
    • 偏差： 在大部分动量范围内，偏差在0.5%到-0.5%之间，平均分数偏差为0.053 ± 0.020%。与SK-IV FITQUN（0.43%）相比，ResNet模型的偏差更低。
    • 分辨率： 分辨率从低能区的约5%下降到2 GeV/c时的约1.5%。平均分辨率为2.385 ± 0.012%，与SK-IV FITQUN（2.90%）和HK 2015基准（4.0%）相当或在某些区域表现更好。
  • 低动量区域的性能下降： 两种粒子的重建性能在低动量下均显著下降。这反映了这些事件中光子多重性的减少，以及Hyper-Kamiokande较低的PMT光电覆盖率（20%）相对于超级神冈（40%）的影响。

顶点重建（图3，表1）：

  • μ子顶点： 平均分辨率约为28.18 ± 0.08 cm，与HK 2015基准（30 cm）相当，但略逊于SK-IV FITQUN（15.8 cm）。
  • 电子顶点： 平均分辨率约为25.40 ± 0.08 cm，与HK 2015基准（27 cm）相当，但略逊于SK-IV FITQUN（20.6 cm）。
  • 低动量和近壁性能下降： 如图C.7和C.8所示，顶点重建分辨率在低动量和近探测器壁事件中表现出明显下降。这与光子统计量减少和近壁事件拓扑复杂性（切伦科夫锥与壁相交导致光子收集模式复杂）有关。

方向重建（图4，表1）：

  • μ子方向： 平均角分辨率为1.252 ± 0.005°，略逊于SK-IV FITQUN（1.00°）和HK 2015基准（1.48°）。
  • 电子方向： 平均角分辨率为1.937 ± 0.008°，略逊于SK-IV FITQUN（1.48°）。
  • 阈值附近性能下降： 接近切伦科夫阈值的动量时，由于光子统计量减少和多重库仑散射增加，切伦科夫环变得模糊，方向信息损失，导致性能下降。

总体而言，基于ResNet的回归器在大部分运动学范围内实现了与最大似然拟合器FITQUN相当的运动学分辨率。

2.2 粒子识别结果

分类性能概述（图5，表2）：

本研究开发的四类分类器对电子、μ子、γ光子和π⁰介子进行了粒子识别。结果通过ROC曲线下的面积（AUC）和在固定背景抑制工作点下的纯度、效率、F1-分数和精度来评估（99.9% μ子抑制，80% γ光子抑制，95% π⁰介子抑制）。

  • 电子-μ子（e-μ）分离：

    • AUC： 网络在整个运动学范围内达到了0.9999992 ± 0.0000002的极高AUC值，远超FITQUN报告的0.9992。
    • 效率： 在99.9%的μ子背景抑制下，电子信号效率在大部分动量和距离探测器壁范围内保持在99%以上（图6，图C.9）。即使在靠近探测器壁（距离粒子方向上的壁小于50厘米）的极端几何条件下，效率也保持在99.2%以上（图C.10）。这表明网络在μ子背景抑制方面具有近乎完美的鉴别能力。

  • 电子-γ光子（e-γ）分离：

    • AUC： 达到了0.633 ± 0.002的AUC值，显著优于FITQUN报告的0.5260。这是首次通过机器学习方法直接实现e-γ分离，而传统基于似然的重建方法尚未成功实现。
    • 挑战性： 区分电子和γ光子仍然具有内在挑战性，因为对产生的光子可以密切模仿初级电子的信号。尽管如此，ResNet模型仍能捕捉事件拓扑中的微妙差异，实现了比FITQUN更强的分辨能力。
    • 效率： 在80%的γ光子背景抑制下，电子信号效率平均约为37.5%（表2）。虽然效率相对较低，但鉴别能力显著提升是重要进展。

  • 电子-π⁰介子（e-π⁰）分离：

    • AUC： 达到了0.9526 ± 0.0006的AUC值，显著优于FITQUN报告的0.9250。
    • 效率： 在95%的π⁰介子背景抑制下，电子信号效率平均约为68.5%（表2）。
    • 动量依赖性： 效率随动量的增加而单调下降（图6）。这可能是由于中性π⁰介子在更高能量下动量增加，其衰变光子之间的夹角变窄，最终产生近乎共线的γγ对，使得拓扑结构更像γ光子，进而更像电子，从而侵蚀了鉴别能力。此外，高能电磁簇射往往更分散和复杂，进一步增加了鉴别难度。

  • 近壁性能： 如图6所示，电子信号效率在粒子方向上到壁的距离较小的情况下仍基本保持平坦，在近壁区域（例如距离最近探测器壁小于500厘米）也表现出强大的鉴别能力。这对于传统基于似然的算法是一个挑战，因为在这种情况下，切伦科夫锥与探测器边界相交，导致光子收集量稀疏。

2.3 计算性能数据

推理时间对比：

本研究最显著的优势体现在计算性能上。我们将模型推理时间与传统的FITQUN算法进行比较，以评估其计算效率。

  • ResNet模型：

    • 在单个NVIDIA A100（80GB）GPU上，ResNet模型处理1.75 × 10^5个模拟μ子事件仅需235秒，平均推理时间为1.3毫秒/事件。
    • 处理1.85 × 10^5个电子事件需要316秒，平均推理时间为1.7毫秒/事件。

  • FITQUN算法：

    • 对相同事件样本进行重建，μ子事件的平均重建时间为67.1秒/事件（约1.17 × 10^7 CPU秒）。
    • 电子事件的相应时间为54.1秒/事件（约1.00 × 10^7 CPU秒）。
    • 这些时间包括完整的FITQUN重建链，包括预拟合和聚类、单环似然拟合（粒子识别、顶点、能量和方向重建）以及π⁰假设拟合。

  • 速度提升： 综合来看，与FITQUN相比，使用ResNet进行推理的速度提升约为μ子事件的5.2 × 10^4倍，电子事件的3.2 × 10^4倍。这种数量级的吞吐量提升与水切伦科夫探测器中先前机器学习研究（例如[20, 15]）的结果一致，表明深度学习重建非常适合大规模蒙特卡洛生产、系统性集合研究以及超神冈所需的校准工作流程。

综上所述，本研究展示了ResNet模型在超神冈事件重建方面取得了与传统方法相当甚至更优的运动学分辨率和粒子识别性能，同时实现了前所未有的计算速度提升，从而为超神冈实验的大规模数据分析提供了可扩展的、高效的解决方案。

本研究的成功实施依赖于几个关键的开源软件包和精心的代码实现。以下是关于代码实现细节、所用软件包以及高层次的复现指南。

3.1 所用软件包及开源 Repositories

  1. WATCHMAL (Water Cherenkov Machine Learning) 框架：

    • 描述： WATCHMAL [23] 是一个专门为水切伦科夫探测器设计的机器学习框架，它整合了数据加载、增强、优化和性能记录功能，为本研究中的所有深度学习模型的训练、验证和测试提供了一个统一的管道。
    • 开源链接： https://github.com/WatChMaL (根据论文原文提供)。
    • 在本研究中的作用： 作为所有机器学习模型的底层实现平台，负责管理训练流程、模型架构定义、损失函数计算、优化器调度和性能评估。

  2. WCSim (Water Cherenkov Simulator)：

    • 描述： WCSim [24] 是一个广泛用于水切伦科夫探测器模拟的开源软件包，能够模拟粒子在水中传播、切伦科夫光子的产生、传输和PMT响应等物理过程。
    • 开源链接： https://github.com/WCSim/WCSim (根据论文原文提供)。
    • 版本： 本研究使用的版本是1.12.19。
    • 在本研究中的作用： 用于生成所有的蒙特卡洛（MC）模拟数据，包括探测器几何、光学特性、数字化和触发设置、暗噪声模型和粒子生成命令。这保证了模拟数据与超神冈实验的真实物理环境高度一致。

  3. PyTorch：

    • 描述： 虽然论文中未明确提及PyTorch，但WATCHMAL框架通常建立在PyTorch或TensorFlow等主流深度学习框架之上。考虑到论文中描述的训练方式（例如，使用NVIDIA A100 GPU进行数据并行训练），PyTorch是WatchMaL的常用后端。
    • 在本研究中的作用（推断）： 可能作为WATCHMAL底层进行神经网络构建、训练和推理的核心库。

3.2 代码实现细节

本研究的代码实现围绕WATCHMAL框架展开，核心在于将原始PMT数据转化为适用于深度学习模型的二维图像，并构建和训练ResNet-152模型。

  1. 数据预处理与图像构建：

    • WCSim输出解析： WCSim模拟数据包含每个PMT的击中时间（hit time）和电荷（charge）信息。这些原始数据需要被解析和处理。
    • PMT到像素映射： 探测器壁上的每个50厘米PMT被映射到190 × 189像素图像的一个像素点。这种映射通过将圆柱形表面展开并旋转45°来实现，以最大限度地保留相邻PMT的拓扑关系，并使PMT对齐到规则的网格。
    • 双通道图像： 每个像素包含两个数值：
      • 通道1（时间）： PMT击中时间，以纳秒（ns）为单位，相对于1.35微秒读出窗口的开始时间。
      • 通道2（电荷）： PMT收集到的积分电荷，以光电子（photo-electrons）为单位。
    • 其他输入尝试： 论文提到曾尝试将PMT的笛卡尔坐标和表面法线作为额外的8通道输入，但未发现显著性能提升，这表明网络能够从电荷-时间模式中隐含地学习探测器几何信息。

  2. ResNet-152 模型架构：

    • 基础结构： 模型的实现遵循ResNet-152的经典设计 [17]，包含多个瓶颈残差块（bottleneck residual blocks）和跳跃连接（shortcut connections）。
    • 输入层： 输入图像首先通过一个7×7的卷积层和一个3×3的最大池化层。
    • 残差块阶段： 随后是四个残差块阶段，通道深度分别为64、128、256和512。这些残差块有助于模型在保持梯度稳定性的同时学习深层特征。
    • 输出层： 在残差块之后，使用自适应平均池化层将空间维度缩小，然后通过全连接层投射到所需的输出维度。
      • 回归任务： 全连接层输出3个值用于顶点（x,y,z）和方向（x,y,z），以及1个值用于总能量（Etotal）。方向输出会进行归一化。
      • 分类任务： 全连接层输出4个值，经过softmax激活函数后代表4种粒子（e, μ, γ, π⁰）的概率。
    • 初始化和规范化： 权重使用Kaiming-normal初始化 [26]，残差分支的批规范化层（batch normalization） [27] 初始化为零。这些技术有助于模型训练的稳定性和性能。

  3. 训练配置：

    • 优化器： 使用ADAMW优化器 [28]，它结合了ADAM的自适应学习率和权重衰减的解耦，有助于提高模型的泛化能力。
    • 学习率调度器： 采用余弦退火调度器（cosine annealing scheduler），带有暖重启功能（warm restarts），学习率从10^-3开始，在2.5个epoch内衰减到10^-6，然后重新启动。这种调度策略有助于模型跳出局部最优并收敛到更好的解。
    • 权重衰减： 应用0.005的权重衰减作为正则化手段，防止过拟合。
    • 硬件： 训练在四块NVIDIA A100 GPU上进行，采用同步数据并行策略，确保高效的计算资源利用。
    • 模型选择： 在训练过程中，每隔一定迭代次数（回归500次，分类3000次）在验证集上评估模型性能，并保存验证损失最佳的检查点（checkpoint），以确保最终选用的模型具有最佳的泛化能力，避免过拟合。

3.3 复现指南（高层次）

要复现本研究的工作，需要具备深度学习和高能物理模拟环境设置的知识。以下是高层次的步骤：

  1. 环境准备：

    • 操作系统： 推荐Linux环境。
    • 软件安装：
      • 安装WCSim https://github.com/WCSim/WCSim 及其所有依赖，确保其能够模拟Hyper-Kamiokande几何。
      • 安装WATCHMAL https://github.com/WatChMaL 框架。这通常涉及安装PyTorch及其相关的CUDA驱动和库，以利用GPU加速。
      • 安装其他必要的Python库（如NumPy, SciPy, Matplotlib, scikit-learn等）。

  2. 数据生成：

    • WCSim配置： 参考论文附录F中提供的WCSim配置（HyperK_HybridmPMT_WithOD_Realistic几何、粒子类型、能量范围、位置和方向采样等）。
    • 运行模拟： 使用WCSim运行模拟，生成四种粒子（电子、μ子、γ光子、π⁰介子）的独立数据集。确保为训练、验证和测试分配足够数量的事件（每类约10^7事件）。对于μ子，需要分别生成启用衰变和禁用衰变的数据集。
    • 输出： WCSim通常生成ROOT文件。这些文件需要包含每个PMT的电荷和击中时间，以及真实事件的运动学信息（顶点、方向、动量、粒子类型）。

  3. 数据预处理：

    • 开发脚本： 编写Python脚本（或利用WATCHMAL提供的工具）来读取WCSim的输出。
    • 图像转换： 将每个事件的PMT电荷和时间数据转换为190×189像素的双通道图像，遵循论文中描述的展开和旋转方法。
    • 数据存储： 将这些图像及其对应的真实运动学标签（顶点、方向、动量、粒子类型）高效地存储起来，例如使用HDF5文件，以便WATCHMAL能够快速加载。

  4. 模型配置与训练：

    • WATCHMAL模型定义： 在WATCHMAL框架中定义ResNet-152模型架构，包括其卷积层、残差块、池化层和全连接输出层。
    • 任务头： 定义六个回归任务（μ子和电子的顶点、方向、能量）和四个分类任务（e, μ, γ, π⁰）的输出头。
    • 损失函数配置： 为每个任务配置相应的损失函数（Huber损失、相对Huber损失、交叉熵损失），以及优化器（ADAMW）、学习率调度器（余弦退火）和权重衰减。
    • 训练脚本： 编写或修改WATCHMAL的训练脚本，指定数据集路径、模型配置和训练超参数（如epoch数、批量大小、验证频率等）。
    • 执行训练： 在配置好的GPU集群上启动训练过程。监控训练和验证损失曲线（如论文图E.12所示）。

  5. 模型评估与分析：

    • 加载最佳模型： 训练完成后，加载在验证集上表现最佳的模型检查点。
    • 测试集评估： 在独立的测试集上评估模型的性能。对回归任务计算动量、顶点和方向的分辨率和偏差；对分类任务计算ROC曲线、AUC、效率、纯度等指标。
    • 计算推理时间： 评估模型在单个GPU上的推理时间，并与传统方法进行对比。
    • 结果分析： 将结果与论文中报告的数据进行比较，并进行详细的物理分析，以理解模型在不同运动学区域和几何条件下的性能。

通过遵循这些步骤，研究人员应该能够复现本研究的关键成果，并在此基础上进行进一步的探索和开发。

4. 关键引用文献，以及你对这项工作局限性的评论

本研究工作建立在长期的中微子物理和机器学习发展基础之上，并引用了大量关键文献。以下是其中一些重要文献及其与本研究的相关性，以及对本工作局限性的评论。

4.1 关键引用文献

  1. Hyper-Kamiokande 实验设计与潜力 [1, 2, 3]: 这些文献是超神冈实验的奠基石，详细阐述了其设计、物理目标和探测能力。本研究直接服务于超神冈实验的需求，旨在解决其数据处理瓶颈，从而实现这些物理目标。

  2. Super-Kamiokande 和 T2K 实验 [5, 6, 7, 8]: 作为超神冈的前身，超级神冈和T2K实验验证了水切伦科夫探测器的可行性，并为中微子振荡物理学做出了里程碑式的贡献。这些实验的分析方法，包括传统的事件重建算法（如FITQUN），为本研究提供了重要的基准和上下文。

  3. FITQUN 算法 [43, 44]: FITQUN是MiniBooNE实验开发并应用于超级神冈的最先进最大似然重建算法。本研究将其性能作为传统方法的基准进行比较，突出了机器学习方法在速度和鲁棒性上的优势。

  4. WATCHMAL 框架 [23]: WATCHMAL是本研究中使用的核心机器学习框架，专门为水切伦科夫探测器数据处理而设计。它的开发使得像本研究这样的深度学习应用得以高效实现。

  5. ResNet (Residual Networks) [17]: ResNet是本研究中使用的深度学习模型架构的理论基础。其残差块设计有效地解决了训练超深神经网络的梯度消失问题，使得模型能够学习复杂的图像特征。

  6. 水切伦科夫探测器中的机器学习应用 [15, 18, 19, 20, 21, 22]: 这些文献展示了机器学习在水切伦科夫探测器中的各种成功应用，包括太阳中微子分类、中子俘获标记以及其他中微子重建任务。本研究是该领域的最新进展，将其应用扩展到Hyper-Kamiokande远探测器，并进一步验证了深度学习在该领域的有效性。

  7. WCSim (Water Cherenkov Simulator) [24]: WCSim是本研究中所有模拟数据生成的核心工具。它的精确性和可靠性是本研究结果有效性的基础。

  8. 切伦科夫辐射物理 [1, 10, 31]: 这些文献提供了切伦科夫辐射的基本物理原理，解释了带电粒子在介质中产生光子的机制，这是水切伦科夫探测器所有事件信号的来源。

  9. CP破坏与中微子混合 [32, 33, 34, 35, 36, 37, 38]: 这些物理学文献为中微子振荡参数，特别是CP破坏相δcp的测量提供了深层的科学动机。本研究通过改进粒子识别和运动学重建，直接支持对这些基本物理量进行更精确的测量。

4.2 本工作局限性评论

尽管本研究展示了深度学习在超神冈事件重建方面的巨大潜力，但论文中也明确指出或可以推断出一些局限性：

  1. 间接的FITQUN比较： 论文明确指出，与超级神冈-IV FITQUN结果的比较是“仅为近似的”，因为探测器几何形状、事件选择和FITQUN配置存在差异。要进行明确的评估，需要使用本研究中完全相同的模拟事件来运行FITQUN，这超出了当前研究的范围。这种间接比较虽然提供了有益的参考，但不能作为最终的、决定性的性能对比。

  2. 输入数据的探测器覆盖范围受限： 本研究仅使用内探测器中的50厘米PMT数据作为神经网络输入。多PMT模块（mPMT，具有增强的方向敏感性和光子计数能力）和外探测器PMT（用于识别宇宙射线和逃逸粒子）的信息并未包含在输入图像中。这限制了模型利用所有可用探测器信息的潜力，尤其是在处理近壁事件或复杂拓扑时。作者承认正在努力将mPMT信息纳入未来研究。

  3. 专注于单粒子事件： 当前的研究主要集中在模拟的单粒子事件上。真实的中微子相互作用通常会产生复杂的、多粒子的终态（如多环事件）。当前的模型可能需要进一步的开发和训练，以鲁棒地处理这些更复杂的拓扑结构。

  4. μ子衰变的处理： 基线μ子样本的训练禁用了μ子衰变。虽然附录D单独研究了μ子衰变的影响，发现其主要影响集中在低动量区域，但对于完整的重建管道，仍需要更复杂的处理机制（例如，在ML推理之前进行时间聚类）来隔离初级μ子信号和延迟的米歇尔电子贡献。论文指出，仍有少量事件中的米歇尔电子无法通过时间信息干净地隔离。

  5. γ光子分类的模糊性： 为了使e-γ分类任务更具鉴别性，γ光子样本被限制为仅对产生事件。在真实的物理场景中，γ光子还会经历康普顿散射，产生与初级电子难以区分的电子径迹。一个真正鲁棒的分类器需要能够处理这种物理上的模糊性，或者结合物理先验知识进行预选择。

  6. 网络深度和超参数调整： 虽然ResNet-152被选为最佳精度模型，但论文提到ResNet-50表现较差，ResNet-101未被调查。可能存在准确性和计算成本之间更好的权衡。超参数调整是手动进行的迭代过程，而非形式化的网格搜索，这可能意味着还有进一步优化的空间。

  7. 可探测体积切口的影响： 虽然分类网络在训练时未强制可探测体积切口，并显示出对近壁事件的鲁棒性，但如果在重建之前应用此类切口，通过简化问题空间，自然会提高整体分类性能。在鲁棒性和显式预选择之间的权衡，需要为完整的分析管道进一步研究。

  8. 异常事件处理： 论文指出，在某些情况下，即使进行了时间聚类，仍有少数米歇尔电子可能落在读出窗口内而无法被干净隔离。ML模型需要对这些异常事件具有更强的鲁棒性，以避免它们对重建结果产生负面影响。

这些局限性为未来的研究指明了方向，进一步提升深度学习在超神冈实验中的应用效能。

5. 其他必要的补充

5.1 更广阔的影响与未来方向

本研究为超神冈实验乃至整个粒子物理领域带来了深远的影响和广阔的未来发展方向：

  1. 蒙特卡洛生产的可扩展性： 本研究中最具革命性的成果是推理速度提升了3.2 × 10^4至5.2 × 10^4倍。这一“计算游戏规则改变者”使得以前因计算成本过高而无法进行的大规模蒙特卡洛样本生产变得可行。这意味着可以更全面地研究系统性不确定性，包括不同通量模型、中微子相互作用截面模型、探测器响应变化和终态相互作用（FSI）模型的系统性影响。这将使超神冈能够进行更详尽、更准确的物理分析，显著提升对CP破坏相δcp和中微子振荡参数的测量精度。

  2. 对挑战性拓扑的鲁棒性： 深度学习模型在传统最大似然方法（如FITQUN）难以处理的几何区域（如靠近探测器壁的事件）和低光子统计量事件中表现出稳定的性能。这种改进的鲁棒性可以减少对激进可探测体积切口的需求，或减少需要手动质量选择的事件，从而简化分析流程并提高数据利用率。

  3. 增强的粒子识别能力： 本研究在e-μ、e-γ和e-π⁰分离方面取得了显著改进，特别是首次实现了直接的e-γ分离，且性能超越了传统方法。这些精确的粒子识别能力对于有效抑制背景、提高νe信号纯度以及实现高灵敏度的CP破坏相测量至关重要。

  4. 迈向完全基于神经网络的重建管道： 本研究是构建超神冈完全基于神经网络的重建管道的关键一步。未来的工作将包括：

    • 整合多PMT和外探测器信息： 将mPMT模块（具有增强的方向敏感性）和外探测器PMT（用于识别宇宙射线）的信息纳入神经网络输入，以充分利用所有可用探测器信息，进一步提升重建性能。
    • 处理多环和复杂终态事件： 扩展模型以鲁棒地处理由中微子相互作用产生的更复杂的事件拓扑，例如中性流π⁰产生或高能中微子相互作用产生的多粒子终态。
    • 优化低动量边缘情况： 开发更精细的解决方案，以处理μ子衰变和接近切伦科夫阈值的事件，这些情况目前仍对重建性能有较大影响。
    • 结合物理约束或混合方法： 探索将显式物理约束融入机器学习模型，或采用机器学习与传统物理模型相结合的混合方法，以进一步提高准确性和可解释性。
    • 量化不确定性： 开发用于机器学习输出的不确定性量化方法，这对高能物理分析至关重要。
    • 部署到实际分析流程： 将这些模型整合到Hyper-Kamiokande的实际分析工作流程中，包括与现有重建链的交叉验证和基准测试。

  5. 传统算法的角色： 尽管深度学习带来了巨大的速度和鲁棒性优势，传统的最大似然算法（如FITQUN）仍将扮演重要角色，例如在详细的探测器校准、交叉验证以及处理某些极端复杂或难以捉摸的事件拓扑方面。机器学习被视为一种强大而实用的补充，而非完全替代。

  6. AI促进科学发现： 本工作是人工智能如何加速科学发现的典范。通过消除计算瓶颈，深度学习使得研究人员能够进行更全面、更深入的系统性不确定性研究，并在挑战性条件下提高重建质量。这为粒子物理学乃至更广泛的科学领域，尤其是在处理高维、复杂数据的大型探测器中，开启了新的分析可能性。

5.2 训练曲线分析 (图 E.12)

附录E中的图E.12展示了六个回归网络的训练和验证损失曲线。这些曲线是深度学习模型开发中的关键诊断工具。

  • 训练损失： 绿色曲线表示模型在训练集上的损失，随着训练的进行，训练损失通常会持续下降，这表明模型正在从训练数据中学习特征并逐渐拟合数据。
  • 验证损失： 蓝色曲线表示模型在独立的验证集上的损失。验证损失是评估模型泛化能力的关键指标。理想情况下，验证损失应与训练损失同步下降。如果训练损失持续下降而验证损失开始上升，则表明模型可能出现过拟合。
  • 最佳验证损失： 图E.12中的蓝色标记指示了迄今为止验证损失最低的点。在训练过程中，当观测到新的最佳验证损失时，模型参数会被保存（检查点）。在所有epoch完成后，将恢复对应于最终最佳验证损失的参数，用于在测试集上进行评估。这种策略有助于确保选择的模型在未见过的数据上表现最佳，从而有效缓解过拟合问题。

5.3 与其他水切伦科夫探测器中机器学习工作的对比

本研究的工作与水切伦科夫探测器中其他机器学习应用的研究成果相契合，并在此基础上取得了进展。

  • 超级神冈的早期应用 [18, 19]: 超级神冈已将机器学习技术应用于太阳中微子分类和中子俘获标记。这些工作为机器学习在水切伦科夫探测器中的应用奠定了基础。
  • 其他实验的进展 [20, 21, 22]: ESSvSB实验利用图神经网络进行电子和μ中微子事件分类，JUNO实验使用机器学习进行顶点和能量重建，都取得了令人鼓舞的成果。这表明了深度学习在不同水切伦科夫探测器几何和物理目标下的普适性。
  • WATCHMAL框架的持续发展 [15]: Prouse 等人 [15] 在中等水切伦科夫探测器（Hyper-Kamiokande实验的另一个组成部分）上展示了ResNet-50模型能够匹配或超越FITQUN的分辨率，同时将推理时间缩短了几个数量级。本研究将这一成功案例扩展到了Hyper-Kamiokande远探测器，并使用了更深层的ResNet-152模型，进一步证实了深度学习在提供相当或更优的重建精度，并大幅提升计算速度方面的能力。

本研究在这些现有工作的基础上，进一步推动了深度学习在大型中微子实验中的应用边界，特别是在面临大规模数据处理和复杂物理分析挑战的超神冈实验中，提供了极具前景的解决方案。