Team foreslår at bruge AI til at rekonstruere partikelveje, der fører til ny fysik

Partikler, der kolliderer i acceleratorer producerer adskillige kaskader af sekundære partikler. Elektronikken, der behandler de signaler, der laver ind fra detektorerne, har så en brøkdel af et sekund til at vurdere, om en hændelse er af tilstrækkelig interesse til at gemme den til senere analyse. I den nærmeste fremtid kan denne krævende opgave udføres ved hjælp af algoritmer baseret på AI, hvis udvikling involverer videnskabsmænd fra Institute of Nuclear Physics i PAS.

Elektronik har aldrig haft et let liv inden for kernefysik. Der kommer så mange data ind fra Large Hadron Collider, den kraftigste accelerator i verden, at det aldrig har været en mulighed at registrere det hele. Systemerne, der behandler bølgen af ​​signaler, der kommer fra detektorerne, specialiserer sig derfor i at glemme - de rekonstruerer sporene af sekundære partikler på en brøkdel af et sekund og vurderer, om den netop observerede kollision kan ignoreres, eller om den er værd at gemme til yderligere analyse. Men de nuværende metoder til at rekonstruere partikelspor vil snart ikke længere være tilstrækkelige.

Forskning præsenteret i Computer Science , af forskere fra Institute of Nuclear Physics ved det polske videnskabsakademi (IFJ PAN) i Krakow, Polen, tyder på, at værktøjer bygget ved hjælp af kunstig intelligens kunne være et effektivt alternativ til nuværende metoder til hurtig rekonstruktion af partikelspor. Deres debut kan forekomme i løbet af de næste to til tre år, sandsynligvis i MUonE-eksperimentet, der understøtter søgen efter ny fysik.

I moderne højenergifysikeksperimenter passerer partikler, der divergerer fra kollisionspunktet, gennem på hinanden følgende lag af detektoren og afsætter lidt energi i hver. I praksis betyder det, at hvis detektoren består af ti lag, og den sekundære partikel passerer gennem dem alle, skal dens vej rekonstrueres på basis af ti punkter. Opgaven er kun tilsyneladende enkel.

"Der er normalt et magnetfelt inde i detektorerne. Ladede partikler bevæger sig i det langs buede linjer, og det er også sådan de detektorelementer, der aktiveres af dem, og som vi i vores jargon kalder hits, vil være placeret i forhold til hinanden," forklarer. Prof. Marcin Kucharczyk, (IFJ PAN).

"I virkeligheden kan den såkaldte belægning af detektoren, det vil sige antallet af hits pr. detektorelement, være meget høj, hvilket giver mange problemer, når man forsøger at rekonstruere sporene af partikler korrekt. Især rekonstruktionen af ​​spor, der er tæt på hinanden er noget af et problem."

Eksperimenter designet til at finde ny fysik vil kollidere partikler ved højere energier end før, hvilket betyder, at flere sekundære partikler vil blive skabt i hver kollision. Lysstyrken på strålerne vil også skulle være højere, hvilket igen vil øge antallet af kollisioner pr. tidsenhed. Under sådanne forhold kan klassiske metoder til at rekonstruere partikelspor ikke længere klare sig. Kunstig intelligens, som udmærker sig, hvor visse universelle mønstre skal genkendes hurtigt, kan komme til undsætning.

"Den kunstige intelligens, vi har designet, er et neuralt netværk af dyb type. Det består af et inputlag, der består af 20 neuroner, fire skjulte lag på hver 1.000 neuroner og et outputlag med otte neuroner. Alle neuroner i hvert lag er forbundet til alle neuronerne i det tilstødende lag Samlet set har netværket to millioner konfigurationsparametre, hvis værdier indstilles under indlæringsprocessen," siger Dr. Milosz Zdybal (IFJ PAN).

Det således forberedte dybe neurale netværk blev trænet ved hjælp af 40.000 simulerede partikelkollisioner, suppleret med kunstigt genereret støj. Under testfasen blev der kun ført hitinformation ind i netværket. Da disse var afledt af computersimuleringer, var de oprindelige baner for de ansvarlige partikler kendt nøjagtigt og kunne sammenlignes med rekonstruktionerne fra den kunstige intelligens. På dette grundlag lærte den kunstige intelligens at rekonstruere partikelsporene korrekt.

"I vores papir viser vi, at det dybe neurale netværk trænet på en korrekt forberedt database er i stand til at rekonstruere sekundære partikelspor lige så præcist som klassiske algoritmer. Dette er et resultat af stor betydning for udviklingen af ​​detektionsteknikker. Mens man træner en dyb neural netværk er en langvarig og beregningsmæssigt krævende proces, et trænet netværk reagerer øjeblikkeligt Da det også gør dette med tilfredsstillende præcision, kan vi tænke optimistisk på at bruge det i tilfælde af rigtige kollisioner," understreger prof. Kucharczyk.

Det nærmeste eksperiment, hvor den kunstige intelligens fra IFJ PAN ville have en chance for at bevise sig selv, er MUonE (MUon ON Electron elastic scattering). Dette undersøger en interessant uoverensstemmelse mellem de målte værdier af en bestemt fysisk størrelse, der har at gøre med myoner (partikler, der er omkring 200 gange mere massive ækvivalenter af elektronen) og forudsigelser af standardmodellen (det vil sige den model, der bruges til at beskrive verden af elementarpartikler).

Målinger udført på det amerikanske acceleratorcenter Fermilab viser, at myonernes såkaldte unormale magnetiske moment adskiller sig fra standardmodellens forudsigelser med en sikkerhed på op til 4,2 standardafvigelser (benævnt sigma). I mellemtiden er det accepteret i fysik, at en signifikans over 5 sigma, svarende til en sikkerhed på 99,99995 %, er en værdi, der anses for acceptabel til at annoncere en opdagelse.

Betydningen af ​​uoverensstemmelsen, der indikerer ny fysik, kunne øges væsentligt, hvis præcisionen af ​​standardmodellens forudsigelser kunne forbedres. Men for bedre at kunne bestemme det unormale magnetiske moment af myonen med dens hjælp, ville det være nødvendigt at kende en mere præcis værdi af parameteren kendt som den hadroniske korrektion. Desværre er en matematisk beregning af denne parameter ikke mulig.

På dette tidspunkt bliver MUonE-eksperimentets rolle klar. I den har videnskabsmænd til hensigt at studere spredningen af ​​myoner på elektroner fra atomer med lavt atomnummer, såsom kulstof eller beryllium. Resultaterne vil tillade en mere præcis bestemmelse af visse fysiske parametre, der direkte afhænger af den hadroniske korrektion.

Hvis alt går efter fysikernes planer, vil den hadroniske korrektion bestemt på denne måde øge tilliden til at måle uoverensstemmelsen mellem den teoretiske og målte værdi af myonens unormale magnetiske moment med op til 7 sigma - og eksistensen af ​​hidtil ukendt fysik kan blive en realitet.

MUonE-eksperimentet skal starte ved Europas CERN-atomanlæg allerede næste år, men målfasen er planlagt til 2027, hvor Krakow-fysikerne formentlig får mulighed for at se, om den kunstige intelligens, de har skabt, vil gøre sit. arbejde med at rekonstruere partikelspor. Bekræftelse af dets effektivitet under betingelserne for et rigtigt eksperiment kunne markere begyndelsen på en ny æra inden for partikeldetektionsteknikker.

Flere oplysninger: Miłosz Zdybał et al., Machine Learning-baseret rekonstruktion til MUonE-eksperimentet, Computer Science (2024). DOI:10.7494/csci.2024.25.1.5690

Leveret af det polske videnskabsakademi