Projektbeschreibung
Algorithmen für maschinelles Lernen erkennen schnell Neutrinosignal in experimentellen Daten
Das Hochenergie-Neutrino-Observatorium IceCube ist weltweit die erste Messstation ihrer Art. Der bis in eine Tiefe von etwa 2,5 Kilometern unter der Oberfläche des Südpols verborgene und etwa einen Kubikkilometer Eis umfassende Detektor sucht nach nahezu masselosen neutralen Teilchen, den sogenannten Neutrinos. Auch wenn sie eines der am häufigsten im Universum vorkommenden Teilchen sind: Neutrinos sind aufgrund ihrer geringen Reaktivität mit Materie äußerst schwer zu erkennen. Ihr Nachweis hängt nicht nur von der physikalischen Infrastruktur des IceCube ab, sondern auch von den Datenalgorithmen, die nach verräterischen Anzeichen der Neutrinos suchen. Das EU-finanzierte Projekt GraphNeT entwickelt ausgefeilte Algorithmen für maschinelles Lernen, mit denen die Erkennung von Teilchen um das Zehnfache und die Analysegeschwindigkeit um das Zehntausendfache gesteigert werden kann. Die schnellen und leistungsstarken Werkzeuge könnten auch bei anderen physikalischen Experimenten von großem Nutzen sein.
Ziel
While it is currently undergoing rapid developments, the neutrino sector still has many open questions: the neutrino mass
hierarchy is not known, several parameters of the PMNS matrix are poorly constrained, and the inability to explain the nonzero neutrino masses is a clear indication of physics beyond the Standard Model. Neutrino oscillation experiments at the
IceCube Neutrino Observatory may be able to address these fundamental questions, but the reconstruction of neutrino
interactions in the detector is a challenge which urgently needs to be addressed: the current reconstruction algorithm is
prohibitively time-consuming, cannot account for all known optical anisotropies in the ice, and cannot make full use of all of
the information from new modules in the IceCube Upgrade due to excessive computing time and memory requirements. This
project proposes graph convolutional neural networks (GCN) as a machine learning paradigm excellently suited for neutrino
telescope experiments, with potential to revolutionise reconstruction in IceCube. GCNs impose no structural requirements on
data, requiring only a concept of adjacency, naturally afforded by the spatial, temporal, and causal separation of hits in the
detector. With expected improvements in particle identification of a factor of 10 compared to analytical methods and a factor
10,000 speed-up in reconstruction, GCN-based reconstruction will be developed and implemented in the IceCube-DeepCore
oscillation analysis, to better measure PMNS parameters by improving the atmospheric muon background rejection and
performing per-flavour event categorisation. Powerful and fast GCN-based reconstruction will benefit several physics
analyses in IceCube --- and possibly ANTARES, KM3NeT, and Baikal-GVD --- and help answer the open questions in the
neutrino sector. Finally, the possibility for private and public sector partners to benefit from these high-performance GCN
tools will be explored through intersectional partnerships.
Wissenschaftliches Gebiet (EuroSciVoc)
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS klassifiziert Projekte mit EuroSciVoc, einer mehrsprachigen Taxonomie der Wissenschaftsbereiche, durch einen halbautomatischen Prozess, der auf Verfahren der Verarbeitung natürlicher Sprache beruht. Siehe: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- NaturwissenschaftenNaturwissenschaftentheoretische PhysikTeilchenphysikNeutrinos
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche Intelligenzmaschinelles Lernen
- NaturwissenschaftenInformatik und Informationswissenschaftenkünstliche IntelligenzComputational Intelligence
Sie müssen sich anmelden oder registrieren, um diese Funktion zu nutzen
Wir bitten um Entschuldigung ... während der Ausführung ist ein unerwarteter Fehler aufgetreten.
Sie müssen sich authentifizieren. Ihre Sitzung ist möglicherweise abgelaufen.
Vielen Dank für Ihr Feedback. Sie erhalten in Kürze eine E-Mail zur Übermittlungsbestätigung. Wenn Sie sich für eine Benachrichtigung über den Berichtsstatus entschieden haben, werden Sie auch im Falle einer Änderung des Berichtsstatus benachrichtigt.
Schlüsselbegriffe
Programm/Programme
Thema/Themen
Aufforderung zur Vorschlagseinreichung
(öffnet in neuem Fenster) H2020-MSCA-IF-2019
Andere Projekte für diesen Aufruf anzeigenFinanzierungsplan
MSCA-IF -Koordinator
1165 Kobenhavn
Dänemark