图神经网络在类Hyper-Kamiokande水切伦科夫探测器中实现正电子能量回归与中子标记，性能可比现有方法
核心概要
该工作将基于消息传递卷积的图神经网络应用于水切伦科夫探测器中弥散超新星中微子背景的逆β衰变探测，构建了从原始光电倍增管命中重建低能事件的流程：一个模型回归3–30 MeV正电子能量，另一个模型对中子俘获信号进行分类，在类Hyper-Kamiokande几何的模拟数据上取得了与现有方法相当的性能。
Figure 1 : Prompt event in the HK detector. One recognises the circular photon deposition, typical of Cherenkov cone emission, but it is notably fainter than for high energy events.
arXiv深度剖析
作者提出了一套基于消息传递卷积的图神经网络流程，直接从原始光电倍增管命中构建图表示，用于水切伦科夫探测器中低能事件的能量回归与信号分类。 此前该领域的深度学习重建多采用卷积神经网络，需要人为展平圆柱形探测器几何并引入不连续；图神经网络天然适配非欧几里得、不规则且稀疏的点云结构，无需此类人工处理。 方法在WCSim模拟的HyperK_HybridmPMT_IDonly_Realistic几何数据上实现，包含单PMT与19管多PMT簇两种类型，暗噪声率分别设为8.4 kHz与1 kHz。
正电子能量回归模型在3–30 MeV范围内取得与现有基于有效命中数方法相当的分辨率，且分辨率曲线不遵循典型的随能量平方根变化的规律。 作者将这一非典型曲线归因于完全数据驱动的训练：低能端模型可能通过识别相对原始噪声的偏离来回归能量，高能端则识别清晰图案，中间能区可能受切伦科夫锥在噪声与清晰边界处的不规则特征影响。 对比对象为Super-Kamiokande使用的有效命中数方法及其向Hyper-Kamiokande的扩展；作者明确指出该对比是参考已发表的低能重建性能，而非直接基准，因为探测器配置与重建条件并不相同。
中子标记分类器在选定候选样本上正确拒绝97.47%的背景候选，同时识别93.98%的中子候选，错误率的不对称性有利于背景主导的搜寻。 作者将该分类器定位为在类Hyper-Kamiokande探测器中进行中子标记的粗略基线，供后续现代深度学习架构参考。 性能基于混淆矩阵，训练时仅将含至少4个真实中子命中的候选标记为真实中子候选；候选预选采用基于飞行时间校正的10 ns滑动窗口，阈值设为最小命中数。
作者提出图神经网络重建最自然的定位是与既有物理驱动方法集成，而非完全独立使用。 这一判断源于切伦科夫光是切伦科夫锥在不规则各向异性几何上的投影，原始数据在充分供图神经网络利用前仍需额外处理。 作者举例说明可用图神经网络验证BONSAI等网格搜索算法的潜在逆β衰变顶点，或针对不同有效命中数区间训练多个能量回归模型。
启示与展望
该流程面向类Hyper-Kamiokande水切伦科夫探测器的逆β衰变探测场景，适用于3–30 MeV正电子能量回归与中子俘获信号分类。中子标记模型被作者明确定位为粗略基线，未实现完整部署模型可能包含的参考体积筛选或预选算法，其性能针对满足所述候选选择条件的样本。能量回归的对比被作者界定为对已发表低能重建性能的参考，而非直接基准。作者指出，图神经网络重建最自然的定位是与既有物理驱动方法集成，例如用于验证BONSAI等网格搜索算法的潜在逆β衰变顶点，或针对不同有效命中数区间训练多个能量回归模型。
结果均来自WCSim模拟，真实探测器数据中的探测器响应、标定与系统效应尚未纳入。能量回归分辨率曲线不遵循典型随能量平方根变化的规律，作者给出的是基于数据驱动训练的推测性解释，尚待进一步验证。中子标记性能依赖于候选预选阈值与飞行时间校正，顶点位置与时间估计误差会使真实中子命中在飞行时间校正空间中的展宽约为10 ns，这一误差对分类的影响值得关注。作者提到可通过引入有效命中数作为图级特征、预选准则或损失项来融入物理知识，这些改进方向的实际收益尚待评估。此外，快速解析文本中部分公式与图表的数值未完整呈现，若需复现具体分辨率数值与候选数量，应查阅原文图表。