Dune cdr the Single-Phase Protodune

Chapter 5: Software and Computing
5–134
5.7
Event reconstruction algorithms and performance
5.7.1
Reconstruction
The interpretation of the data from LArTPC detectors has proven challenging, largely due to the
wealth of information provided in each event by the detector, but also due to the high rate of
multiple scattering and particle interactions, as well as the projection of 3D information onto a
discretized 2D space of readout ADC counts on wires as functions of time. The flexibility of the
art
/LArSoft framework allows for multiple approaches for reconstructing and analyzing the data,
and for the use of different approaches depending on the targeted physics deliverable.
For current large LArTPC detectors, noise filtering is applied to improve the signal-to-noise ratio.
A large component of the noise in existing LArTPC experiments is from coherent sources – sources
that affect many neighboring wires and/or neighboring readout channels (channels from different
planes may be interleaved in the front-end electronics). The contribution from coherent noise to a
measured ADC value on a channel can be estimated from the data on nearby channels in the same
time slice, and subtracted out. However, this procedure reduces the signal as well as the noise, in
a manner that depends on the angle of the track or shower with respect to the drift field.
Procedures that first identify signal hits and protect them from distortion are under study. With
software noise filtering, MicroBooNE [5] has achieved excellent noise levels, consistent with expec-
tations, based on the design specification of the cold electronics. In MicroBooNE, various sources
of noise have been identified and hardware upgrades are ongoing to eliminate them. Once noise
has been removed, signals will be processed to recover the ionization charge.
Hits are identified by seeking deconvoluted signals exceeding thresholds that are adjusted to min-
imize the creation of false noise hits while preserving the true signal hits. The standard LArSoft
hit finder fits Gaussian functions to the deconvoluted signals, and saves the times, widths, and am-
plitudes of the Gaussians. In addition, it saves the sum of the ADC readings in the time windows
corresponding to the hits; since a Gaussian function is not always representative of the charge
arrival distribution, the resolution of the calorimetry is improved by summing the ADC counts.
The hits are associated with DAQ channels not wire segments, since, due to the wrapping of the
induction-plane wires in the APAs, the location of the charge deposition contributing to the hit
is ambiguous. Because the wire angle is chosen such that each induction wire intersects each
collection-plane wire at most one time, only two views are needed in order to identify hits and
resolve ambiguities. A separate LArSoft module compares the hits in the collection and induction
views to resolve ambiguities.
Physics analyses are most sensitive with a full 3D reconstruction of the event – the primary vertex
(if there is one), the tracks, and the showers are 3D objects. ProtoDUNE-SP is implementing
several approaches to achieve an optimal 3D reconstruction. Once hits are identified on wire seg-
ments, 2D reconstruction identifies clusters and tracks in each view separately, and 3D hypotheses
for the event are constructed by comparing the 2D clusters in the separate planes. The 2D clus-
tering algorithms currently in use are the Blurred Clustering Algorithm [40], LineCluster [41], and
ProtoDUNE Single-Phase Technical Design Report

---

Chapter 5: Software and Computing
5–135
TrajCluster [42].
5.7.2
Performance
Algorithm performance metrics are efficiency, purity, and completeness. The efficiency of the
algorithm is defined as the fraction of true particles that match reconstructed objects within the
bounds of pre-specified criteria, such as matching position and length and the type of object
expected. The purity of the reconstructed object is defined as the fraction of hits (or charge)
included in that object that truly came from the matched particle, divided by the total number of
hits (or charge) included in the reconstructed cluster. The completeness is defined as the number
of true hits that are found in a cluster, track or shower expressed as a fraction of total true hits in
that object.
Particle-level and event-level performance metrics include particle identification and misidentifica-
tion rates, shower energy resolution, and energy scale offsets.
Electromagnetic and track-like components separation
Using current reconstruction algorithms, it is challenging to distinguish between electromagnetic
(EM) and track-like components of an event. Since the properties of EM-like and track-like objects
(and the classes of objects extracted from them) are significantly different, dedicated reconstruc-
tion algorithms should be applied to each of them. A recently developed approach, based on a
convolutional neural network (CNN), promises good performance and may be used for higher-level
reconstruction in ProtoDUNE.
The CNN analyzes each point separately in the 2D image of data from a LArTPC to see if it
can be classified as a candidate for a track traversal or an EM shower. At each point in the
image, the deconvoluted ADC value is analyzed, and nearby points are also input to the CNN, in
order to provide context. Distant points are not included, which keeps the classification relatively
insensitive to the topology. This classification is performed before downstream algorithms, which
identify hits, clusters, tracks and vertices, are applied.
The current implementation combines single-point classification with standard clustering algo-
rithms in order to improve the classification of entire objects recognized in the event. The CNN-
based EM component selection was also integrated with the Projection Matching Algorithm (PMA,
see Section 5.7.2), allowing for the application of the tracking and vertexing algorithm to the
track-like component for which the PMA algorithm was designed. Further integration with other
reconstruction algorithms is ongoing.
The performance of the CNN-based selection is illustrated in Figure 5.2 where the input, a 2D
projection of the event, is compared with the result of classification in the single event. The
performance of the EM selection algorithm is summarized in Figure 5.3 using the sum of the
deconvoluted ADC values for points selected as EM-like candidates, compared with MC truth as
ProtoDUNE Single-Phase Technical Design Report

---