摘要: 江门中微子实验(JUNO)是当今世界上最大的基于液体闪烁体(LS)探测器的中微子实验，目前仍在建设之中。JUNO实验具有丰富的物理研究内容，其主要物理目标为测量中微子质量等级和精确测量中微子振荡参数。同时，实验还可以对大气中微子、地球中微子和超... 展开 江门中微子实验(JUNO)是当今世界上最大的基于液体闪烁体(LS)探测器的中微子实验，目前仍在建设之中。JUNO实验具有丰富的物理研究内容，其主要物理目标为测量中微子质量等级和精确测量中微子振荡参数。同时，实验还可以对大气中微子、地球中微子和超新星中微子进行研究。 高能宇宙线缪子在穿过JUNO探测器过程中会和内部物质进行作用，产生9Li、8He等放射性同位素。这种本底的事例特征和中微子反β衰变(IBD)事例非常相像，是IBD测量的主要本底。JUNO实验利用事例顶点在一个时间窗内落在缪子径迹附近区域这一反符合条件，进行该本底的排除。反符合方案需要对缪子进行精确的重建，径迹重建越精确，反符合区域越小，IBD在中心探测器(CD)中的有效探测区域就越大。缪子重建是一个典型的模式识别问题，由于探测器测量信号和缪子径迹之间存在较强的映射关系，非常适合运用深度学习方法进行缪子径迹重建。 本论文研究基于深度学习的缪子径迹重建算法，通过蒙特卡罗(MC)模拟产生大量缪子数据，并根据CD的特点进行建模，构建深度学习需要的训练数据样本，最终通过训练生成用于缪子径迹重建的神经网络。由于CD探测器模拟十分复杂，完成模拟参数调整并实现探测器模拟和实验数据一致，挑战性巨大。所以，在实验取数初期，JUNO很难提供可靠的模拟数据训练样本。本论文利用顶部径迹探测器(TT)的重建结果作为训练数据的标记。由于TT仅能覆盖CD约1/3的顶部区域，本论文创新性地提出了一种缪子事例数据的增强方法，将穿过TT的训练样本扩展到整个CD样本空间，解决了TT覆盖角度有限的问题。同时，本论文构建了平面卷积神经网络结构，并且研究了和中心探测器球形结构相契合的球面卷积神经网络，优化了神经网络的训练过程。 论文研究了基于深度学习的缪子径迹重建的性能，发现使用数据增强的方法能够有效地提高缪子重建的性能，重建的平均值几乎无偏，重建的角度分辨率好于0.6°，空间分辨率好于10cm，并且重建的速度在使用GPU的情况下相比于CPU可以得到100倍的加速，可以满足实验的需求。同时，论文讨论了暗噪声、PMT饱和效应等因素对缪子径迹重建的影响，探索了不同的卷积神经网络的结构对性能的影响。另外，本论文还将深度学习方法应用到了缪子bundle事例的分类之中，分类准确度好于85％。 JUNO实验的事例率约为1kHz，其中中微子事例率仅为60个/天。在如此巨大的本底水平下挑选稀有信号事例，给物理分析的性能带来了挑战。为了提高数据分析效率，本论文进行了JUNO实验数据分析软件的设计和开发。该软件包括单事例分析和关联事例分析两个部分，前端提供Web交互式分析界面，后端负责整体运行和流程控制。 作为本论文的又一个创新点，提出了基于Index数据的分析方法。该方法首先利用ROOT/SNIPER将事例数据转化为Index数据（只包含事例挑选必需的信息），为接下来的单事例分析和关联事例分析准备数据。在单事例分析过程中，使用Spark进行Index数据的挑选，并通过数据缓存提升单事例分析的效率。在关联事例分析过程中，根据挑选后的Index数据加载分析时间窗口内的物理事例，通过减少数据读入提高关联事例分析的效率。同时，为了使得关联事例分析能够在多个节点上进行，设计和实现了基于MPI的分布式数据分析框架。运用该分析框架，可以在Web界面上交互式地分析Index数据，并实现了分布式的关联事例分析。性能测试表明:关联事例分析软件执行结果正确，具有良好的可扩展性;在单事例分析中，使用Spark基于内存的计算方式可以提供10倍左右的加速比;相比于对所有事例进行关联分析，基于Index数据进行的分析有15倍的运行效率的提升。 收起