Event Reconstruction using Graph Neural Networks for the KM3NeT/ARCA8 detector

Ανδρούτσου, Ελένη

dc.contributor.author	Ανδρούτσου, Ελένη
dc.date.accessioned	2024-11-04T08:24:01Z
dc.date.available	2024-11-04T08:24:01Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/60355
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.28051
dc.rights	Αναφορά Δημιουργού-Μη Εμπορική Χρήση-Όχι Παράγωγα Έργα 3.0 Ελλάδα	*
dc.rights.uri	http://creativecommons.org/licenses/by-nc-nd/3.0/gr/	*
dc.subject	Νετρίνα	el
dc.subject	Αλγόριθμος Γράφου	el
dc.subject	Ανάλυση	el
dc.subject	KM3NeT	en
dc.subject	Graph Neural Network	en
dc.subject	Neutrinos	en
dc.subject	Research	en
dc.title	Event Reconstruction using Graph Neural Networks for the KM3NeT/ARCA8 detector	en
dc.title	Ανακατασκευή γεγονότων με τον ανιχνευτή KM3NeT/ARCA8 με χρήση αλγορίθμων γράϕων	el
dc.contributor.department	Φυσική και Τεχνολογικές Εφαρμογές	el
heal.type	masterThesis
heal.classification	Φυσική	el
heal.classification	Νευρωνικά Δίκτυα Γράφου	el
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-09-20
heal.abstract	Neutrinos are subatomic particles of high interest for many fields of scientific research. Neutrinos, being electrically neutral, offer a unique tool to investigate the inner regions of astrophysical objects and to comprehend the Universe across a broader spectrum of energies. Their trajectory remains unaffected by magnetic fields, keeping directionality when reaching us from distant sources. There are various astrophysical sources known to emit neutrinos providing a direct means of observing these sources. Furthermore, evidence for a non-zero mass enabled studies on neutrino oscillations, contributing to our understanding of fundamental particle physics. The KM3NeT water Čerenkov neutrino telescopes are optimized for the detection of high-energy neutrinos, in the GeV-PeV range. KM3NeT/ARCA neutrino detector is dedicated to the search for very high-energy cosmic neutrinos (GeV-PeV). KM3NeT/ORCA detector is optimized for the study of neutrinos created by cosmic rays in the Earth’s atmosphere (a few GeV). To evaluate the efficiency and overall performance of neutrino telescopes Monte Carlo simulations are employed. Graph Neural Networks (GNNs) are a specific class of neural network architecture designed to operate on graph-structured data. Such networks have been also developed in the context of the KM3NeT experiment. The input data of the GNN consists of nodes that store the hit (photomultiplier signal) information (time, Time-over-Threshold, 3d position, 3d direction) and edges that connect the nodes defining the relations between hits. The model architecture adopted for the analysis is based on the ParticleNet architecture [1]. In this study, the performance of the Graph Neural Network (GNN) is investigated for event classification and energy prediction using KM3NeT/ARCA data collected from 6, 7, and 8 DUs. Three main networks have been trained and evaluated using KM3NeT/ARCA8 (KM3NeT/ARCA with 8 detection units deployed) data: signal/background classifier, track/shower classifier and energy regression. Also, a signal/background classification network has been trained and evaluated using KM3NeT/ARCA7 data (KM3NeT/ARCA with 7 detection units deployed). The classification models have been trained to distinguish between atmospheric muons and signal (neutrinos), and shower-like and track-like neutrinos, respectively. The regression model is defined to produce an estimation of the neutrino energy. Moreover the performance of the KM3NeT/ARCA6 trained network is evaluated for the signal/classification task, using KM3NeT/ARCA7 and KM3NeT/ARCA8 data.	en
heal.abstract	Τα νετρίνα είναι υποατομικά σωματίδια πολύ μικρής μάζας, είναι ηλεκτρικά ουδέτερα και αλληλεπιδρούν μόνο μέσω βαρυτικών και ασθενών αλληλεπιδράσεων. Η τροχιά τους δεν επηρεάζεται από μαγνητικά πεδία, εξασϕαλίζοντας έτσι την άϕιξή τους στη Γη από απομακρυσμένες πηγές. Η πιθανή παρατήρηση νετρίνων από αυτές τις πηγές αναμένεται να παρέχει πληροϕορίες για τις διαδικασίες που λαμβάνουν χώρα στο εσωτερικό αστροϕυσικών αντικειμένων καθώς καθίσταται εϕικτή και η παρατήρηση των ίδιων των πηγών. Επιπλέον, αποδείξεις για μη-μηδενική μάζα διευκολύνουν τις μελέτες σχετικά με τις ταλαντώσεις νετρίνο (“neutrino oscillations”), συμβάλλοντας στην περαιτέρω κατανόηση της θεμελιώδους ϕυσικής των στοιχειωδών σωματιδίων. Η ανίχνευση νετρίνων γίνεται μέσω ειδικά κατασκευασμένων ανιχνευτών, οι οποίοι στηρίζονται στο ϕαινόμενο Čerenkov. Τέτοιοι ανιχνευτές χρησιμοποιούνται στο πείραμα KM3NeT για τον εντοπισμό νετρίνων υψηλής ενέργειας, στο εύρος GeV-PeV, όπου ως μέσο ανίχνευσης αξιοποιείται το θαλασσινό νερό. Το τηλεσκόπιο νετρίνων KM3NeT/ARCA στοχεύει στην αναζήτηση πολύ υψηλής ενέργειας κοσμικών νετρίνων (GeV-PeV), ενώ το τηλεσκόπιο KM3NeT/ORCA χρησιμοποιείται για τη μελέτη των νετρίνων που δημιουργούνται από κοσμικές ακτίνες στην ατμόσϕαιρα της Γης (μερικά GeV). Επίσης, με τις προσομοιώσεις Monte Carlo γεϕυρώνεται το χάσμα μεταξύ θεωρητικών προσδοκιών και πειραματικών παρατηρήσεων καθώς προσομοιώνονται οι αλληλεπιδράσεις των σωματιδίων. Τα Νευρωνικά Δίκτυα Γράϕων (GNNs) είναι ένας τύπος νευρωνικών δικτύων που χρησιμοποιούν δεδομένα με μορϕή γράϕου. Τέτοια δίκτυα έχουν αναπτυχθεί και στο πλαίσιο του πειράματος KM3NeT. Τα δεδομένα μορϕής γράϕου που δέχεται το δίκτυο αποτελούνται από κόμβους (nodes), που περιέχουν πληροϕορίες σχετικές με τα “σήματα” (“hits”) του ανιχνευτή (χρόνος, θέση - κατεύθυνση στις τρεις διαστάσεις), και ακμές (edges) που συνδέουν τους κόμβους μεταξύ τους ορίζοντας σχέσεις μεταξύ των hits. Το αρχιτεκτονικό μοντέλο που χρησιμοποιείται στην παρούσα ανάλυση είναι βασισμένο στο ParticleNet architecture. Στην παρούσα εργασία μελετάται η επίδοση του GNN για την αναγνώριση σωματιδίων και την πρόβλεψη της ενέργειάς τους. Τρία βασικά δίκτυα έχουν αναπτυχθεί: ένα δίκτυο κατηγοριοποίησης σήματος/υποβάθρου, το οποίο μαθαίνει να ξεχωρίζει τα νετρίνα (σήμα) από τα ατμοσϕαιρικά μιόνια (υπόβαθρο), ένα δίκτυο κατηγοριοποίησης νετρίνων track/shower, που μαθαίνει να ξεχωρίζει τα νετρίνα με υπογραϕή καταιονισμών από τα νετρίνα που οδηγούν σε τοπολογίες γραμμικής τροχιάς στον ανιχνευτή, και τέλος, ένα δίκτυο για την πρόβλεψη της ενέργειας των νετρίνων. Όλα τα δίκτυα δέχονται δεδομένα από τον ανιχνευτή KM3NeT/ARCA8, τα οποία συλλέχθηκαν από 8 ανιχνευτικές μονάδες (DUs), με τα οποία γίνεται η εκπαίδευση (train) και η επαλήθευση. Επιπροσθέτως, μελετάται το δίκτυο του σήματος/υποβάθρου στο οποίο έχει γίνει η εκπαίδευση με δεδομένα από KM3NeT/ARCA6 και KM3NeT/ARCA7.	el
heal.advisorName	Δρακοπούλου, Ευαγγελία
heal.committeeMemberName	Τζαμαριουδάκη, Αικατερίνη
heal.committeeMemberName	Τσιπολίτης, Γεώργιος
heal.academicPublisher	Σχολή Εφαρμοσμένων Μαθηματικών και Φυσικών Επιστημών	el
heal.academicPublisherID	ntua
heal.numberOfPages	74 σ.
heal.fullTextAvailability	false