Description du projet
Des algorithmes d’apprentissage automatique détecteront rapidement le signal des neutrinos dans les données expérimentales
L’observatoire de neutrinos IceCube est le tout premier détecteur en son genre. Enterré sous la surface du pôle Sud s’étendant jusqu’à une profondeur d’environ 2,5 kilomètres et englobant environ un kilomètre cube de glace, il recherche des particules neutres presque sans masse appelées neutrinos. Bien qu’ils soient l’une des particules les plus abondantes de l’univers, les neutrinos sont extrêmement difficiles à détecter en raison de leur manque de réactivité avec la matière. Leur détection dépend non seulement de l’infrastructure physique d’IceCube, mais aussi des algorithmes de données qui recherchent les signes révélateurs de la présence de neutrinos. Le projet GraphNeT, financé par l’UE, est en train de mettre au point des algorithmes d’apprentissage sophistiqués qui pourraient décupler la détection des particules et multiplier par 10 000 la vitesse d’analyse. Ces outils rapides et puissants pourraient également profiter à d’autres expériences de physique.
Objectif
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.
Champ scientifique (EuroSciVoc)
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
CORDIS classe les projets avec EuroSciVoc, une taxonomie multilingue des domaines scientifiques, grâce à un processus semi-automatique basé sur des techniques TLN. Voir: https://op.europa.eu/en/web/eu-vocabularies/euroscivoc.
- sciences naturellessciences physiquesphysique théoriquephysique des particulesneutrino
- sciences naturellesinformatique et science de l'informationintelligence artificielleapprentissage automatique
- sciences naturellesinformatique et science de l'informationintelligence artificielleintelligence de calcul
Vous devez vous identifier ou vous inscrire pour utiliser cette fonction
Mots‑clés
Programme(s)
Appel à propositions
(s’ouvre dans une nouvelle fenêtre) H2020-MSCA-IF-2019
Voir d’autres projets de cet appelRégime de financement
MSCA-IF - Marie Skłodowska-Curie Individual Fellowships (IF)Coordinateur
1165 Kobenhavn
Danemark