Wetenschappers van de Higher School of Economics hebben een methode ontwikkeld waarmee natuurkundigen van de Large Hadron Collider (LHC) met een hoge mate van nauwkeurigheid verschillende soorten elementaire deeltjes kunnen scheiden. De resultaten zijn gepubliceerd in de Journal of Physics .

Een van de grote onopgeloste problemen van de moderne natuurkunde is de overheersing van materie over antimaterie in het universum. Beiden vormden zich binnen een seconde na de oerknal, in vermoedelijk gelijke fracties, en natuurkundigen proberen te begrijpen waar antimaterie naartoe is verdwenen. In 1966, De Russische wetenschapper Andrei Sacharov suggereerde dat de onbalans tussen materie en antimaterie verscheen als gevolg van CP-schending, d.w.z., een asymmetrie tussen deeltjes en antideeltjes. Dus, alleen deeltjes bleven over na hun vernietiging (wederzijdse vernietiging) van resulterende onevenwichtige bijdragen.

Het schoonheidsexperiment Large Hadron Collider (LHCb) bestudeert onstabiele deeltjes die B-mesonen worden genoemd. Hun verval toont de duidelijkste asymmetrie tussen materie en antimaterie. De LHCb bestaat uit verschillende gespecialiseerde detectoren, specifiek, calorimeters om de energie van neutrale deeltjes te meten. Calorimeters identificeren ook verschillende soorten deeltjes. Deze worden gedaan door het zoeken en analyseren van overeenkomstige clusters van energiedepositie. Het is, echter, niet gemakkelijk om signalen van twee soorten fotonen te scheiden:primaire fotonen en fotonen van energetisch π0-mesonverval. HSE-wetenschappers ontwikkelden een methode om deze twee met hoge nauwkeurigheid te classificeren.

De auteurs van de studie pasten kunstmatige neurale netwerken en gradiëntversterking toe (een algoritme voor machinaal leren) om energieën te classificeren die zijn verzameld in de individuele cellen van het energiecluster.

"We namen een matrix van vijf bij vijf met een centrum in de calorimetercel met de grootste energie, " zegt Fedor Ratnikov, een van de auteurs van het onderzoek en een vooraanstaand onderzoeker in het HSE Laboratory of Methods for Big Data Analysis. "In plaats van de speciale kenmerken te analyseren die zijn opgebouwd uit ruwe energieën in clustercellen, we geven deze ruwe energieën rechtstreeks door aan het algoritme voor analyse. De machine was in staat om de gegevens beter te begrijpen dan een persoon."

Vergeleken met de vorige methode van gegevensvoorverwerking, de nieuwe op machine learning gebaseerde methode heeft de kwaliteitsstatistieken voor de identificatie van deeltjes op de calorimeter verviervoudigd. Het algoritme verbeterde de classificatiekwaliteit van 0,89 naar 0,97; hoe hoger dit cijfer is, hoe beter de classificatie werkt. Met een effectiviteitspercentage van 98 procent van de eerste fotonidentificatie, de nieuwe aanpak heeft het identificatiepercentage van valse fotonen verlaagd van 60 procent naar 30 procent.

De voorgestelde methode is uniek omdat het de identificatie van elementaire deeltjes mogelijk maakt zonder eerst de kenmerken van het te analyseren cluster te bestuderen. "We geven de gegevens door aan machine learning in de hoop dat het algoritme correlaties vindt die we misschien niet hebben overwogen. De aanpak is in dit geval duidelijk gelukt, ', besluit Fedor Ratnikov.