Maskinlæring forbedrer nøjagtigheden af ​​partikelidentifikation ved LHC

Forskere fra Higher School of Economics har udviklet en metode, der gør det muligt for fysikere ved Large Hadron Collider (LHC) at adskille mellem forskellige typer elementarpartikler med en høj grad af nøjagtighed. Resultaterne blev offentliggjort i Journal of Physics .

Et af de store uløste problemer i moderne fysik er materiens overvægt frem for antimateriale i universet. De dannede begge inden for et sekund efter Big Bang, i formodentlig lige brøker, og fysikere forsøger at forstå, hvor antimateriale er forsvundet hen. Tilbage i 1966, Den russiske videnskabsmand Andrei Sakharov foreslog, at ubalancen mellem stof og antimateriale optrådte som et resultat af CP -overtrædelse, dvs. en asymmetri mellem partikler og antipartikler. Dermed, kun partikler blev tilbage efter deres tilintetgørelse (gensidig ødelæggelse) af resulterende ubalancerede bidrag.

Large Hadron Collider skønhedseksperimentet (LHCb) studerer ustabile partikler kaldet B-mesoner. Deres henfald viser den klareste asymmetri mellem stof og antistof. LHCb består af flere specialiserede detektorer, specifikt, kalorimetre til at måle energien af ​​neutrale partikler. Kalorimetre identificerer også forskellige typer partikler. Disse udføres ved søgning og analyse af tilsvarende klynger af energiaflejring. Det er, imidlertid, ikke let at adskille signaler fra to typer fotoner - primære fotoner og fotoner fra energisk π0 mesonhenfald. HSE -forskere udviklede en metode til at klassificere disse to med høj nøjagtighed.

Forfatterne af undersøgelsen anvendte kunstige neurale netværk og gradient boosting (en maskinlæringsalgoritme) for at klassificere energier indsamlet i de enkelte celler i energiklyngen.

"Vi tog en fem-til-fem matrix med et center ved kalorimetercellen med den største energi, " siger Fedor Ratnikov, en af ​​undersøgelsens forfattere og en førende forsker i HSE Laboratory of Methods for Big Data Analysis. "I stedet for at analysere de særlige karakteristika, der er konstrueret ud fra rå energier i klyngeceller, vi sender disse rå energier direkte til algoritmen til analyse. Maskinen kunne bedre forstå dataene end en person. "

Sammenlignet med den tidligere metode til databehandling, den nye machine-learning-baserede metode har firedoblet kvalitetsmålinger til identifikation af partikler på kalorimeteret. Algoritmen forbedrede klassifikationskvaliteten fra 0,89 til 0,97; jo højere dette tal er, jo bedre fungerer klassifikatoren. Med en 98 procent effektivitetsrate ved indledende fotonidentifikation, den nye tilgang har sænket den falske fotonidentifikationsrate fra 60 procent til 30 procent.

Den foreslåede metode er unik, idet den gør det muligt at identificere elementarpartikler uden først at undersøge egenskaberne ved klyngen, der skal analyseres. "Vi videregiver dataene til maskinlæring i håb om, at algoritmen finder sammenhænge, ​​vi måske ikke havde overvejet. Fremgangsmåden fungerede naturligvis i dette tilfælde, "Slutter Fedor Ratnikov.