Energy reconstruction in KM3NeT/ARCA using graph neural networks

Γκότσης, Παναγιώτης; Gkotsis, Panagiotis

dc.contributor.author	Γκότσης, Παναγιώτης	el
dc.contributor.author	Gkotsis, Panagiotis	en
dc.date.accessioned	2025-04-02T06:43:28Z
dc.date.available	2025-04-02T06:43:28Z
dc.identifier.uri	https://dspace.lib.ntua.gr/xmlui/handle/123456789/61560
dc.identifier.uri	http://dx.doi.org/10.26240/heal.ntua.29256
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	Neutrino telescopes	en
dc.subject	KM3NeT	en
dc.subject	Energy reconstruction	en
dc.subject	Graph neural networks	en
dc.subject	Sample weighting	en
dc.subject	Τηλεσκόπια νετρίνων	el
dc.subject	KM3NeT	en
dc.subject	Ανακατασκευή ενέργειας	el
dc.subject	Νευρωνικά δίκτυα γράφων	el
dc.subject	Στάθμιση δειγμάτων	el
dc.title	Energy reconstruction in KM3NeT/ARCA using graph neural networks	en
dc.title	Ανακατασκευή γεγονότων στον ανιχνευτή KM3NeT/ARCA με χρήση νευρωνικών δικτύων γράφων	el
heal.type	bachelorThesis
heal.classification	Μηχανική μάθηση	el
heal.classification	Machine learning	en
heal.language	el
heal.language	en
heal.access	free
heal.recordProvider	ntua	el
heal.publicationDate	2024-10-24
heal.abstract	Τα νετρίνα, θεμελιώδη σωματίδια που αλληλεπιδρούν μόνο ασθενώς με την ύλη, είναι ιδιαίτερης σημασίας για την κατανόηση τόσο της σωματιδιακής φυσικής όσο και πολλών αστροφυσικών φαινομένων. Παρόλα αυτά, η ανίχνευση των νετρίνων αποτελεί σημαντική πρόκληση λόγω της ασθενώς αλληλεπιδρώσας φύσης τους. Μεγάλης κλίμακας ανιχνευτές Cherenkov, όπως αυτοί του πειράματος KM3NeT που βρίσκονται σε μεγάλο βάθος στη Μεσόγειο Θάλασσα, έχουν σχεδιαστεί ώστε να συλλαμβάνουν την ακτινοβολία Cherenkov που παράγεται όταν νετρίνα υψηλής ενέργειας συγκρούονται με ατομικούς πυρήνες στο νερό. Αυτές οι αλληλεπιδράσεις επιτρέπουν στους φυσικούς να διερευνούν τις ιδιότητες των νετρίνων και να μελετούν αστροφυσικά αντικείμενα και διεργασίες εξαιρετικά υψηλών ενεργειών. Μία από τις βασικές προκλήσεις σε αυτά τα πειράματα είναι η ακριβής ανακατασκευή της ενέργειας, της κατεύθυνσης, αλλά και άλλων χαρακτηριστικών του κάθε γεγονότος νετρίνου, από τα δεδομένα που συλλέγονται από τους οπτικούς αισθητήρες του ανιχνευτή. Παραδοσιακά, η ανακατασκευή γεγονότων βασίζεται σε κλασικούς αλγορίθμους, όπως η εκτίμηση μέγιστης πιθανοφάνειας, ωστόσο η ανάδειξη των σύγχρονων μεθόδων Βαθιάς Μάθησης ως ισχυρών μέσων εξαγωγής πληροφοριών από δεδομένα έχει καταδείξει τη δυνατότητα βελτίωσης αυτών των τεχνικών. Ειδικότερα, τα Νευρωνικά Δίκτυα Γράφων (ΝΔΓ) έχουν αναδειχθεί ως μια πολλά υποσχόμενη προσέγγιση λόγω της ικανότητάς τους να ενσωματώνουν με φυσικό τρόπο τη μη πλεγματική δομή και την αραιότητα των δεδομένων γεγονότων νετρίνων. Η παρούσα εργασία διερευνά την εφαρμογή μιας συγκεκριμένης αρχιτεκτονικής ΝΔΓ, του μοντέλου DynEdge, στην ανακατασκευή ενέργειας στον ανιχνευτή KM3NeT/ARCA, χρησιμοποιώντας το εργαλείο Βαθιάς Μάθησης GraphNeT, που αναπτύχθηκε από το πείραμα νετρίνων IceCube. Σε αυτή τη βάση, η μορφή δεδομένων του πειράματος KM3NeT ενσωματώθηκε στο GraphNeT, επιτρέποντας την πρώτη χρήση αυτού του εργαλείου στο πείραμα KM3NeT και διευκολύνοντας τη μελλοντική του χρήση στο πλαίσιο του πειράματος. Διάφορες διαμορφώσεις μοντέλων και ρυθμίσεων εκπαίδευσης αξιολογούνται σε δύο εκδοχές του συνόλου δεδομένων γεγονότων νετρίνων, τα δεδομένα στιγμιότυπου και τα δεδομένα σκανδαλισμού, προκειμένου να προσδιοριστεί η βέλτιστη προσέγγιση για την ανακατασκευή της ενέργειας. Τα αποτελέσματα επιτρέπουν την άμεση σύγκριση μεταξύ του DynEdge και του ParticleNet --του μοντέλου ΝΔΓ που είχε προηγουμένως χρησιμοποιηθεί από το πείραμα KM3NeT-- επιβεβαιώνοντας την απόδοση και των δύο μοντέλων. Στην εργασία αυτή παρουσιάζεται ακόμη σημαντική βελτίωση στην ανακατασκευή της ενέργειας γεγονότων νετρίνων χαμηλής ενέργειας, η οποία επιτυγχάνεται με την εφαρμογή της τεχνικής της στάθμισης γεγονότων για την εξισορρόπηση της ενεργειακής κατανομής του συνόλου δεδομένων εισόδου. Η στρατηγική αυτή συμβάλλει επίσης στον περιορισμό της μεροληψίας κατά τη διαδικασία εκπαίδευσης, οδηγώντας σε ένα πιο γενικευμένο μοντέλο. Τέλος, η εργασία διερευνά τις προκλήσεις της ανακατασκευής γεγονότων νετρίνων υψηλής ενέργειας (κλίμακα PeV), παρέχοντας πληροφορίες για τους περιορισμούς στις προβλέψεις του μοντέλου, οι οποίοι προέρχονται από τους ενυπάρχοντες φυσικούς περιορισμούς σε αυτήν την ενεργειακή κλίμακα.	el
heal.abstract	Neutrinos, fundamental particles that interact only weakly with matter, are crucial to our understanding of both particle physics and a variety of astrophysical phenomena. Despite their importance, detecting neutrinos is a significant challenge due to their elusive nature. Large-scale water Cherenkov detectors, such as those of the KM3NeT experiment which are located deep in the Mediterranean Sea, are designed to capture the Cherenkov light produced when high-energy neutrinos interact with atomic nuclei in water. These interactions allow physicists to probe the properties of neutrinos and study extremely energetic astrophysical objects and processes. One of the key challenges in these experiments is accurately reconstructing the energy, direction and other characteristics of each neutrino event from the data collected by the detector optical sensors. Traditionally, event reconstruction has relied on classical algorithms, such as maximum likelihood estimation, however the rise of modern Deep Learning methods as powerful means of extracting information from data has demonstrated the potential to improve upon these techniques. In particular, Graph Neural Networks (GNNs) have emerged as a promising approach due to their ability to naturally incorporate the non-grid-like structure and sparsity of neutrino event data. This thesis investigates the application of DynEdge, a particular GNN architecture, to energy reconstruction in the KM3NeT/ARCA detector, using the GraphNeT Deep Learning framework, developed by the IceCube neutrino experiment. In this context, the KM3NeT Deep Learning data format was integrated into GraphNeT, allowing for the first use of this tool in KM3NeT and facilitating its future use within the collaboration. Various configurations of models and training setups are evaluated on two versions of our neutrino event dataset, snapshot and triggered data, in order to determine the optimal approach to energy reconstruction. The results allow for a direct comparison between DynEdge and ParticleNet --the GNN model previously used by KM3NeT-- validating the performance of both models. This work also presents significant improvement in the energy reconstruction of low-energy neutrino events, achieved by the implementation of event weighting to balance the energy distribution of the input dataset. This strategy also contributes to the elimination of biases in the training process, leading to a more generalized model. Finally, the thesis explores the challenges of reconstructing high-energy (PeV scale) neutrino events, providing insights into the predictive limitations of the model, which stem from the physical constraints that apply at this energy scale.	en
heal.advisorName	Ροντογιάννης, Αθανάσιος	el
heal.advisorName	Rontogiannis, Athanasios	en
heal.committeeMemberName	Μαραγκός, Πέτρος	el
heal.committeeMemberName	Κορδώνης, Ιωάννης	el
heal.committeeMemberName	Maragos, Petros	en
heal.committeeMemberName	Kordonis, Ioannis
heal.academicPublisher	Εθνικό Μετσόβιο Πολυτεχνείο. Σχολή Ηλεκτρολόγων Μηχανικών και Μηχανικών Υπολογιστών	el
heal.academicPublisherID	ntua
heal.fullTextAvailability	false