Descripción del proyecto
Unos algoritmos de aprendizaje automático detectarán rápidamente señales de neutrinos en datos experimentales
El observatorio de neutrinos IceCube es un detector pionero que está enterrado bajo la superficie del Polo Sur a una profundidad de aproximadamente 2,5 kilómetros, abarcando aproximadamente un kilómetro cúbico de hielo, y que busca las partículas neutras casi sin masa denominadas neutrinos. Los neutrinos son una de las partículas más abundantes en el universo, pero son extremadamente difíciles de detectar debido a su falta de reactividad con la materia. La detección depende no solo de la infraestructura física del IceCube, sino también de los algoritmos de datos que buscan pruebas reveladoras sobre los neutrinos. El proyecto financiado con fondos europeos GraphNeT desarrolla algoritmos de aprendizaje automático sofisticados que podrían mejorar en un orden de magnitud la detección de partículas y en cuatro órdenes de magnitud la velocidad de análisis. Estas herramientas rápidas y potentes podrían favorecer asimismo a otros experimentos en el campo de la física.
Objetivo
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.
Ámbito científico (EuroSciVoc)
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
CORDIS clasifica los proyectos con EuroSciVoc, una taxonomía plurilingüe de ámbitos científicos, mediante un proceso semiautomático basado en técnicas de procesamiento del lenguaje natural.
- ciencias naturalesciencias físicasfísica teóricafísica de partículasneutrinos
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialaprendizaje automático
- ciencias naturalesinformática y ciencias de la informacióninteligencia artificialinteligencia computacional
Para utilizar esta función, debe iniciar sesión o registrarse
Palabras clave
Programa(s)
Régimen de financiación
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinador
1165 Kobenhavn
Dinamarca