npeЯдерная физика и инжинирингNuclear Physics and Engineering2079-56292079-5637МИФИ10.56304/S2079562923010116npe-323Research ArticleМатематическое моделирование в ядерных технологияхMathematical Modeling in Nuclear TechnologiesПРИМЕНЕНИЕ МЕТОДОВ МАШИННОГО ОБУЧЕНИЯ В ЭКСПЕРИМЕНТЕ БАЙКАЛ-GVDApplication of Machine Learning Methods in the Baikal-GVD ExperimentХарукИ. В.KharukI. V.ivan.kharuk@phystech.eduМацейкоА. В.MatseikoА. V.ЛеоновА. Ю.LeonovА. Yu.Институт ядерных исследований Российской академии наук, Москва, 117312 Россия Московский физико-технический институт, Долгопрудный, 141700 РоссияРоссияInstitute for Nuclear Research, Russian Academy of Sciences, Moscow, 117312 Russia Moscow Institute of Physics and Technology, Dolgoprudny, 141700 RussiaRussian Federation2024050720241513642Copyright © Харук И.В., Мацейко А.В., Леонов А.Ю., 20242024Харук И.В., Мацейко А.В., Леонов А.Ю.Kharuk I.V., Matseiko А.V., Leonov А.Y.Данная работа распространяется под лицензией Creative Commons Attribution 4.0.This work is licensed under a Creative Commons Attribution 4.0 License.https://npe.elpub.ru/jour/article/view/323

Эксперимент Байкал-GVD – это нейтринный телескоп, расположенный в озере Байкал, Россия. По состоянию на 2022 г., его эффективный объем составляет 0.5 км3, что делает его крупнейшим нейтринным телескопом в северном полушарии и вторым по величине в мире. В настоящей работе представлен обзор методов машинного обучения, разработанных для анализа данных эксперимента Байкал-GVD. А именно, обсуждаются нейронные сети, разработанные для: (1) подавления шумовых срабатываний оптических модулей, (2) выделения событий, индуцированных нейтрино, а также оценки их потока, и (3) восстановления угла прилета нейтрино. Показано, что нейронные сети сравнимы или превосходят по точности стандартные алгоритмические процедуры реконструкции событий для аналогичных задач.

The Baikal-GVD experiment is a neutrino telescope located in Lake Baikal, Russia. As of 2022, it has an effective volume of 0.5 km3, which makes it the largest neutrino telescope in the Northern Hemisphere and the second largest in the world. This article presents an overview of machine learning methods developed to analyze data from the Baikal-GVD experiment. Specifically, we discuss neural networks developed to (1) suppress noise responses of optical modules, (2) identify neutrino-induced events and estimate their flux, and (3) recover the neutrino arrival angle. It is shown that neural networks are comparable or superior in accuracy to standard algorithmic event reconstruction procedures for similar problems.

нейтриноБайкал-GVDмашинное обучениенейронные сетианализ данныхneutrinosBaikal-GVDmachine learningneural networksdata analysisДанная работа была сделана при поддержке гранта Российского Научного Фонда номер 22-22-20063.This work was supported by the Russian Science Foundation, project no. 22-22-20063.References<em>Aartsen M.G. et al.</em> // Science. 2013. V. 342. P. 1242856. https://arxiv.org/abs/1311.5238.<em>Aartsen M.G. et al.</em> // Science. 2013. V. 342. P. 1242856. https://arxiv.org/abs/1311.5238.<em>Belolaptikov I. et al.</em> // Proc. PoS ICRC2021. P. 002. https://arxiv.org/abs/2109.14344.<em>Belolaptikov I. et al.</em> // Proc. PoS ICRC2021. P. 002. https://arxiv.org/abs/2109.14344.<em>Allakhverdyan V.A. et al.</em> // Phys. Rev. D. 2023. V. 107. P. 042005. https://arxiv.org/abs/2211.09447.<em>Allakhverdyan V.A. et al.</em> // Phys. Rev. D. 2023. V. 107. P. 042005. https://arxiv.org/abs/2211.09447.<em>Aiello S. et al.</em> // Astropart. Phys. 2019. V. 111. P. 100−110. https://arxiv.org/abs/1810.08499.<em>Aiello S. et al.</em> // Astropart. Phys. 2019. V. 111. P. 100−110. https://arxiv.org/abs/1810.08499.<em>Aartsen M.G., Abbasi R., Ackermann M. et al.</em> // J. Phys. G. 2021. V. 48. P. 060501.<em>Aartsen M.G., Abbasi R., Ackermann M. et al.</em> // J. Phys. G. 2021. V. 48. P. 060501.<em>Malyshkin Y. et al.</em> // Nucl. Instrum. Methods. Phys. Res. B. 2023. V. 1050. P. 168117.<em>Malyshkin Y. et al.</em> // Nucl. Instrum. Methods. Phys. Res. B. 2023. V. 1050. P. 168117.<em>Choma N., Monti F., Gerhardt L., et al.</em> // https://arxiv.org/abs/1809.06166.<em>Choma N., Monti F., Gerhardt L., et al.</em> // https://arxiv.org/abs/1809.06166.<em>Huennefeld M.</em> // Proc. PoS ICRC2017. P. 1057.<em>Huennefeld M.</em> // Proc. PoS ICRC2017. P. 1057.<em>Huennefeld M.</em> // EPJ Web of Conf. 2019. V. 207. P. 05005.<em>Huennefeld M.</em> // EPJ Web of Conf. 2019. V. 207. P. 05005.<em>Reck S., Guderian D., Vermarien G., Domi A.</em> // J. Instrum. 2021. V. 16. P. C10011. https://arxiv.org/abs/2107.13375.<em>Reck S., Guderian D., Vermarien G., Domi A.</em> // J. Instrum. 2021. V. 16. P. C10011. https://arxiv.org/abs/2107.13375.<em>Aiello S., Albert A., Garre S.A., et al.</em> // J. Instrum. 2020. V. 15. P. P10005.<em>Aiello S., Albert A., Garre S.A., et al.</em> // J. Instrum. 2020. V. 15. P. P10005.<em>Ronneberger O., Fischer P., Brox T.</em> // Proc. Intl. Conf. on Medical Image Computing and Computer-Assisted Intervention. P. 234−241.<em>Ronneberger O., Fischer P., Brox T.</em> // Proc. Intl. Conf. on Medical Image Computing and Computer-Assisted Intervention. P. 234−241.<em>Avrorin A.D. et al.</em> // Proc. PoS ICRC2021 P. 1063. https://arxiv.org/abs/2108.00208.<em>Avrorin A.D. et al.</em> // Proc. PoS ICRC2021 P. 1063. https://arxiv.org/abs/2108.00208.<em>Lin T.-Y., Goyal P., Girshick R., He K., Doll’ar P.</em> // Proc. IEEE Intl. Conf. on Computer Vision. P. 2980−2988.<em>Lin T.-Y., Goyal P., Girshick R., He K., Doll’ar P.</em> // Proc. IEEE Intl. Conf. on Computer Vision. P. 2980−2988.<em>Wang Y., Sun Y., Liu Z., Sarma S.E., Bronstein M.M., Solomon J.M.</em> // ACM Trans. Graph. 2019. V. 38. P. 1−12.<em>Wang Y., Sun Y., Liu Z., Sarma S.E., Bronstein M.M., Solomon J.M.</em> // ACM Trans. Graph. 2019. V. 38. P. 1−12.

The authors declare that there are no conflicts of interest present.