Key points are not available for this paper at this time.
Resumo Redes neurais gráficas mostraram recentemente uma forte promessa para tarefas de reconstrução de eventos em Câmaras de Projeção de Tempo de Argônio Líquido, no entanto, seu desempenho continua limitado para classes de partículas sub-representadas, como elétrons Michel. Neste trabalho, investigamos estratégias informadas pela física para melhorar a segmentação semântica dentro da arquitetura NuGraph2. Exploramos três abordagens complementares: (i) enriquecer a representação de entrada com características conscientes do contexto derivadas da geometria do detector e da continuidade da trilha, (ii) introduzir decodificadores auxiliares para capturar correlações em nível de classe e (iii) incorporar termos de regularização baseados em energia motivados pelas distribuições de energia dos elétrons Michel. Experimentos em conjuntos de dados públicos do MicroBooNE mostram que a amplificação de características inspiradas pela física gera os maiores ganhos, especialmente aumentando a precisão e o recall dos elétrons Michel ao desvincular regiões sobrepostas no espaço latente. Em contraste, decodificadores auxiliares e termos de regularização de energia proporcionaram melhorias limitadas, em parte devido à natureza em nível de hit do NuGraph2, que carece de representações explícitas em nível de partículas ou eventos. Nossas descobertas destacam que inserir o contexto físico diretamente nas entradas em nível de nó é mais eficaz do que impor perdas auxiliares específicas da tarefa e sugerem que arquiteturas hierárquicas futuras, como NuGraph3, com raciocínio explícito em nível de partículas e eventos, proporcionarão um ambiente mais natural para decodificadores avançados e regularização baseada na física. O código para este trabalho está disponível publicamente no Github em https://github.com/vitorgrizzi/nugraphₚhys/tree/mainₚhys.
Grizzi et al. (Mon,) estudaram essa questão.