Maskinlæringsteknologi til at spore ulige hændelser blandt LHC-data

I dag, kunstige neurale netværk har indflydelse på mange områder af vores daglige liv. De bruges til en lang række komplekse opgaver, som at køre bil, udfører talegenkendelse (f.eks. Siri, Cortana, Alexa), foreslår shopping varer og trends, eller forbedring af visuelle effekter i film (f.eks. animerede figurer som Thanos fra filmen Infinity War af Marvel).

Traditionelt, Algoritmer er håndlavede til at løse komplekse opgaver. Dette kræver, at eksperter bruger en betydelig mængde tid på at identificere de optimale strategier for forskellige situationer. Kunstige neurale netværk – inspireret af indbyrdes forbundne neuroner i hjernen – kan automatisk lære af data en tæt på optimal løsning til det givne mål. Tit, den automatiserede læring eller "træning", der kræves for at opnå disse løsninger, "overvåges" ved brug af supplerende information leveret af en ekspert. Andre tilgange er "uovervåget" og kan identificere mønstre i dataene. Den matematiske teori bag kunstige neurale netværk har udviklet sig over flere årtier, men først for nylig har vi udviklet vores forståelse af, hvordan man træner dem effektivt. De påkrævede beregninger minder meget om dem, der udføres af standard videografikkort (som indeholder en grafikprocessor eller GPU), når de gengiver tredimensionelle scener i videospil. Evnen til at træne kunstige neurale netværk på relativt kort tid er muliggjort ved at udnytte de massivt parallelle computeregenskaber i GPU'er til generelle formål. Den blomstrende videospilsindustri har drevet udviklingen af ​​GPU'er. Dette fremskridt, sammen med de betydelige fremskridt inden for maskinlæringsteori og den stadigt stigende mængde af digitaliseret information, har været med til at indvarsle en tidsalder med kunstig intelligens og "deep learning".

Inden for højenergifysik, brugen af ​​maskinlæringsteknikker, såsom simple neurale netværk eller beslutningstræer, har været i brug i flere årtier. For nylig, teorien og eksperimentelle fællesskaber henvender sig i stigende grad til de avancerede teknikker, såsom "dybe" neurale netværksarkitekturer, at hjælpe os med at forstå den grundlæggende natur af vores univers. Standardmodellen for partikelfysik er en sammenhængende samling af fysiske love - udtrykt i matematikkens sprog - der styrer de grundlæggende partikler og kræfter, som igen forklarer naturen af ​​vores synlige univers. På CERN LHC, mange videnskabelige resultater fokuserer på søgen efter nye "eksotiske" partikler, som ikke forudsiges af standardmodellen. Disse hypotetiske partikler er manifestationerne af nye teorier, der har til formål at besvare spørgsmål som:hvorfor består universet overvejende af stof snarere end antistof, eller hvad er mørkt stofs natur?

For nylig, søgninger efter nye partikler, der eksisterer i mere end et flygtigt øjeblik, før de henfalder til almindelige partikler, har fået særlig opmærksomhed. Disse "langlivede" partikler kan rejse målbare afstande (brøkdele af millimeter eller mere) fra proton-proton-kollisionspunktet i hvert LHC-eksperiment, før de henfalder. Tit, teoretiske forudsigelser antager, at den langlivede partikel er uopdagelig. I det tilfælde, kun partiklerne fra henfaldet af den uopdagede partikel vil efterlade spor i detektorsystemerne, fører til den ret atypiske eksperimentelle signatur af partikler, der tilsyneladende dukker op fra ingenting og er forskudt fra kollisionspunktet.

Et nyt aspekt af denne undersøgelse involverer brugen af ​​data fra virkelige kollisionshændelser, samt simulerede hændelser, at træne netværket. Denne tilgang bruges, fordi simuleringen - selv om den er meget sofistikeret - ikke udtømmende gengiver alle detaljerne i de virkelige kollisionsdata. I særdeleshed, de jetfly, der stammer fra langlivede partikelhenfald, er udfordrende at simulere nøjagtigt. Effekten af ​​at anvende denne teknik, kaldet "domænetilpasning, " er, at informationen fra det neurale netværk stemmer overens med et højt niveau af nøjagtighed for både reelle og simulerede kollisionsdata. Denne adfærd er et afgørende træk for algoritmer, der vil blive brugt ved søgninger efter sjældne nyfysiske processer, da algoritmerne skal demonstrere robusthed og pålidelighed, når de anvendes på data.

CMS Collaboration vil implementere dette nye værktøj som en del af dets igangværende søgen efter eksotiske, langlivede partikler. Denne undersøgelse er en del af en større, koordineret indsats på tværs af alle LHC-eksperimenterne for at bruge moderne maskinteknikker til at forbedre, hvordan de store dataprøver registreres af detektorerne og den efterfølgende dataanalyse. For eksempel, brugen af ​​domænetilpasning kan gøre det lettere at implementere robuste maskinlærte modeller som en del af fremtidige resultater. Erfaringerne fra disse typer undersøgelser vil øge fysikpotentialet under løb 3, fra 2021, og videre med High Luminosity LHC.