Maskinlæring kunne hjælpe med at afsløre uopdagede partikler i data fra Large Hadron Collider

Forskere brugte et neuralt netværk, en type hjerne-inspireret maskinlæringsalgoritme, til at gennemsøge store mængder partikelkollisionsdata. Partikelfysikere har til opgave at udvinde dette massive og voksende lager af kollisionsdata for at finde beviser for uopdagede partikler. De leder især efter partikler, der ikke er inkluderet i standardmodellen for partikelfysik, vores nuværende forståelse af universets sammensætning, som videnskabsmænd formoder er ufuldstændig.

Som en del af ATLAS-samarbejdet brugte forskere ved U.S. Department of Energy's (DOE) Argonne National Laboratory og deres kolleger for nylig en maskinlæringstilgang kaldet anomalidetektion til at analysere store mængder ATLAS-data. Metoden har aldrig tidligere været anvendt på data fra et kollider-eksperiment. Det har potentiale til at effektivisere samarbejdets søgen efter noget nyt. Samarbejdet involverer forskere fra 172 forskningsorganisationer.

Holdet udnyttede en hjerne-inspireret type maskinlæringsalgoritme kaldet et neuralt netværk til at søge i data for unormale funktioner eller anomalier. Teknikken bryder fra mere traditionelle metoder til at søge efter ny fysik. Den er uafhængig af – og derfor ubegrænset af – videnskabsmænds forforståelser.

Traditionelt har ATLAS-forskere stolet på teoretiske modeller for at hjælpe med at guide deres eksperimenter og analyser i de retninger, der er mest lovende for opdagelse. Dette involverer ofte udførelse af komplekse computersimuleringer for at bestemme, hvordan visse aspekter af kollisionsdata ville se ud i henhold til standardmodellen.

Forskere sammenligner disse standardmodel-forudsigelser med rigtige data fra ATLAS. De sammenligner dem også med forudsigelser lavet af nye fysikmodeller, som dem, der forsøger at forklare mørkt stof og andre fænomener, der ikke er redegjort for af standardmodellen.

Men indtil videre er der ikke observeret nogen afvigelser fra standardmodellen i de milliarder af milliarder kollisioner, der er registreret ved ATLAS. Og siden opdagelsen af ​​Higgs-bosonen i 2012, har ATLAS-eksperimentet endnu ikke fundet nogen nye partikler.

"Anomalidetektion er en meget anderledes måde at nærme sig denne søgning på," sagde Sergei Chekanov, en fysiker i Argonnes High Energy Physics-afdeling og en hovedforfatter på undersøgelsen. "I stedet for at lede efter meget specifikke afvigelser, er målet at finde usædvanlige signaturer i dataene, som er fuldstændig uudforskede, og som kan se anderledes ud, end vores teorier forudsiger."

For at udføre denne type analyse repræsenterede forskerne hver partikelinteraktion i dataene som et billede, der ligner en QR-kode. Derefter trænede holdet deres neurale netværk ved at eksponere det for 1 % af billederne.

Netværket består af omkring 2 millioner indbyrdes forbundne noder, som er analoge med neuroner i hjernen. Uden menneskelig vejledning eller indgriben identificerede og huskede den korrelationer mellem pixels i billederne, der karakteriserer standardmodelinteraktioner. Med andre ord lærte den at genkende typiske hændelser, der passer ind i standardmodellens forudsigelser.

Efter træning fodrede forskerne de andre 99% af billederne gennem det neurale netværk for at opdage eventuelle anomalier. Når det gives et billede som input, har det neurale netværk til opgave at genskabe billedet ved at bruge dets forståelse af dataene som helhed.

"Hvis det neurale netværk støder på noget nyt eller usædvanligt, bliver det forvirret og har svært ved at rekonstruere billedet," sagde Chekanov. "Hvis der er en stor forskel mellem inputbilledet og det output, det producerer, fortæller det os, at der kan være noget interessant at udforske i den retning."

Ved at bruge beregningsressourcer på Argonnes Laboratory Computing Resource Center analyserede det neurale netværk omkring 160 millioner hændelser inden for LHC Run-2-data indsamlet fra 2015 til 2018.

Selvom det neurale netværk ikke fandt nogen iøjnefaldende tegn på ny fysik i dette datasæt, opdagede det en anomali, som forskerne mener er værd at studere nærmere. Et eksotisk partikelhenfald ved en energi på omkring 4,8 teraelektronvolt resulterer i en myon (en type fundamental partikel) og en stråle af andre partikler på en måde, der ikke passer med det neurale netværks forståelse af standardmodel-interaktioner.

"Vi bliver nødt til at lave mere undersøgelse," sagde Chekanov. "Det er sandsynligvis en statistisk udsving, men der er en chance for, at dette henfald kan indikere eksistensen af ​​en uopdaget partikel."

Holdet planlægger at anvende denne teknik på data indsamlet under LHC Run-3-perioden, som begyndte i 2022. ATLAS-forskere vil fortsætte med at udforske potentialet ved maskinlæring og anomalidetektion som værktøjer til at kortlægge ukendt territorium i partikelfysik.

Artiklen er publiceret i tidsskriftet Physical Review Letters .

Flere oplysninger: G. Aad et al., Søg efter nye fænomener i invariante massefordelinger med to kroppe ved hjælp af uovervåget maskinlæring til anomalidetektion ved s=13 TeV med ATLAS-detektoren, Physical Review Letters (2024). DOI:10.1103/PhysRevLett.132.081801

Journaloplysninger: Physical Review Letters

Leveret af Argonne National Laboratory