딥코어 저에너지 뉴트리노 재구성을 위한 고속 CNN 모델

초록

IceCube‑DeepCore에서 10–100 GeV 범위의 뉴트리노 사건을 빠르고 정확하게 재구성하기 위해 5개의 특화된 합성곱 신경망을 설계·훈련하였다. 에너지, 방위각, 상호작용 정점, 입자 종류, 대기뮤온 배경을 각각 예측하며, 기존 전통적 알고리즘 대비 해상도와 처리 속도가 크게 향상되었다.

상세 분석

본 논문은 IceCube‑DeepCore의 저에너지(10–100 GeV) 뉴트리노 사건 재구성을 위해 설계된 합성곱 신경망(CNN) 구조와 학습 전략을 상세히 기술한다. 입력 데이터는 DeepCore 내부 8개의 문자열에 배치된 DOM(디지털 광학 모듈)에서 수집된 파형‑분해 펄스의 시간·전하 정보를 3차원 텐서 형태로 정규화한 뒤, 3D‑CNN에 투입한다. 네트워크는 5개의 독립적인 모델로 구성되는데, 각각 에너지 회귀, 방위각 회귀, 상호작용 정점 회귀, 트랙‑카스케이드 이진 분류, 대기뮤온 배경 분류를 담당한다. 공통 아키텍처는 4개의 컨볼루션 블록(3×3×3 커널, 배치 정규화, ReLU)과 전역 평균 풀링을 거쳐 전결합 레이어에 연결된다. 회귀 모델은 로그‑정규 분포를 가정한 NLL(loss) 혹은 평균제곱오차(MSE)를 사용하고, 각 물리량의 스케일에 맞게 가중치를 조정한다. 분류 모델은 교차 엔트로피 손실에 클래스 불균형을 보정하기 위한 가중치를 적용한다. 학습 샘플은 시뮬레이션 기반 MC 데이터에서 에너지·방위각·정점 분포가 균일하도록 재샘플링했으며, 입자 종류별(νμ CC, νe CC, NC 등) 비율을 맞추어 과적합을 방지한다. 성능 평가는 기존 RETRO 및 전통적 최대우도 재구성과 비교했을 때, 에너지 해상도(σ/E)≈10 % (10 GeV)에서 15 % (100 GeV)까지 개선되었으며, 방위각 RMS≈5° 수준으로 향상되었다. 또한, 추론 속도는 GPU 기반 실시간 처리 기준으로 1 ms 이하로, 대규모 데이터셋(수억 이벤트)에도 적용 가능함을 입증했다. 이러한 결과는 최근 IceCube‑DeepCore 진동 분석에 직접 활용되어, 오실레이션 파라미터 측정의 통계적 정확도를 크게 높였다.