Next-generation Water Cherenkov detectors aim to probe fundamental questions in neutrino physics. These measurements demand unprecedented precision in detector calibration and event reconstruction that push beyond traditional Monte Carlo techniques.

We present LUCiD, the first differentiable ray-tracing framework for optical particle detectors. Rather than sampling discrete photon paths, LUCiD computes expected detector responses by propagating probability weights through the optical system, with all operations differentiable end-to-end. Processing one million photons with gradients takes tens of milliseconds on a single GPU, four orders of magnitude faster than traditional CPU-based simulations.

This differentiable approach enables direct navigation through high-dimensional, strongly correlated parameter spaces where sampling methods struggle. We demonstrate simultaneous gradient-based calibration of critical detector parameters including scattering length, attenuation length, and reflection coefficients. For event reconstruction, LUCiD achieves performance comparable with state-of-the-art machine learning methods while maintaining complete visibility into the underlying physics. The framework seamlessly incorporates neural network surrogates for unknown phenomena without sacrificing interpretability. LUCiD’s high-throughput capabilities also position it as an efficient platform for producing large-scale training datasets for machine learning foundation models in future neutrino physics research. This work represents a paradigm shift in how we approach next-generation neutrino experiments through differentiable programming.

ニュートリノ物理における根本的な問いに迫るために、次世代の水チェレンコフ検出器の開発が進められています。これらの測定では、従来のモンテカルロ法を超える精度が求められ、検出器のキャリブレーションやイベント再構成において、これまでにない高い精密さが必要となります。
本セミナーでは、光学粒子の検出器向けに開発された初の微分可能レイトレーシング・フレームワーク「LUCiD」について紹介します。LUCiDは、個々の光子の経路をサンプリングするのではなく、光学系を通じて確率重みを伝播させることで、検出器応答の期待値を計算します。すべての処理がエンドツーエンドで微分可能となっており、100万光子の処理と勾配計算を単一GPU上で数十ミリ秒で実行可能です。これは従来のCPUベースのシミュレーションと比べて、約1万倍の高速化を実現しています。

この微分可能なアプローチにより、従来のサンプリング手法では困難であった、高次元かつ強く相関したパラメータ空間の探索が可能となります。実際に、散乱長、減衰長、反射係数などの重要な検出器パラメータを、同時に勾配ベースでキャリブレーションすることに成功しています。
イベント再構成においても、LUCiDは最先端の機械学習手法と同等の性能を達成しつつ、物理的な過程への完全な可視性を維持しています。また、未知の現象に対してはニューラルネットワークによる代理モデルを柔軟に組み込むことができ、解釈性を損なうことなく対応可能です。
さらに、LUCiDの高スループット性能は、将来のニュートリノ物理研究において、機械学習基盤モデルの大規模な学習データセット生成にも適したプラットフォームとなっております。
本研究は、次世代ニュートリノ実験のアプローチにおいて、微分可能プログラミングを活用した新たなパラダイムシフトとなります。