GraphNeT: Graphen-neuronale Netze für die Ereignisrekonstruktion in Neutrino-Teleskopen

GraphNeT ist ein Open-Source-Python-Framework, das darauf abzielt, hochwertige, benutzerfreundliche und end-to-end-funktionale Lösungen für Rekonstruktionsaufgaben an Neutrino-Teleskopen mittels Graph Neural Networks (GNNs) bereitzustellen. GraphNeT ermöglicht es, komplexe Modelle schnell und einfach zu trainieren, die Ereignisrekonstruktionen mit Stand der Technik Leistungsfähigkeit für beliebige Detektorkonfigurationen erzielen, wobei die Inferenzzeiten um mehrere Größenordnungen schneller sind als bei traditionellen Rekonstruktionsmethoden. Die GNNs von GraphNeT sind flexibel genug, um auf Daten aller Neutrino-Teleskope anwendbar zu sein, einschließlich zukünftiger Projekte wie Erweiterungen von IceCube oder P-ONE. Dies bedeutet, dass GNN-basierte Rekonstruktionen nahezu überall in Neutrino-Teleskopen mit Stand der Technik Leistungsfähigkeit in Echtzeit bei Ereignisraten eingesetzt werden können, unabhängig von Experimenten und physikalischen Analysen, und verfügt über ein immenses Potenzial für die Neutrino- und Astro-Teilchenphysik.