Vandaag de dag, kunstmatige neurale netwerken hebben een impact op veel gebieden van ons dagelijks leven. Ze worden gebruikt voor een breed scala aan complexe taken, zoals autorijden, spraakherkenning uitvoeren (bijvoorbeeld Siri, Cortana, Alexa), suggesties voor winkelitems en trends, of het verbeteren van visuele effecten in films (bijv. geanimeerde personages zoals Thanos uit de film Oneindige Oorlog door Marvel).

traditioneel, algoritmen zijn handgemaakt om complexe taken op te lossen. Dit vereist dat experts een aanzienlijke hoeveelheid tijd besteden aan het identificeren van de optimale strategieën voor verschillende situaties. Kunstmatige neurale netwerken - geïnspireerd door onderling verbonden neuronen in de hersenen - kunnen automatisch van gegevens een bijna optimale oplossing voor het gegeven doel leren. Vaak, het geautomatiseerd leren of de "training" die nodig is om deze oplossingen te verkrijgen, wordt "gesuperviseerd" door het gebruik van aanvullende informatie die door een deskundige wordt verstrekt. Andere benaderingen zijn "zonder toezicht" en kunnen patronen in de gegevens identificeren. De wiskundige theorie achter kunstmatige neurale netwerken is in de loop van tientallen jaren geëvolueerd, maar pas onlangs hebben we ons begrip ontwikkeld over hoe we ze efficiënt kunnen trainen. De vereiste berekeningen lijken erg op de berekeningen die worden uitgevoerd door standaard videokaarten (die een grafische verwerkingseenheid of GPU bevatten) bij het renderen van driedimensionale scènes in videogames. De mogelijkheid om kunstmatige neurale netwerken in relatief korte tijd te trainen, wordt mogelijk gemaakt door gebruik te maken van de enorm parallelle computermogelijkheden van GPU's voor algemeen gebruik. De bloeiende videogame-industrie heeft de ontwikkeling van GPU's gestimuleerd. Deze vooruitgang, samen met de aanzienlijke vooruitgang in de theorie van machine learning en de steeds groter wordende hoeveelheid gedigitaliseerde informatie, heeft geholpen om het tijdperk van kunstmatige intelligentie en "deep learning" in te luiden.

Op het gebied van hoge-energiefysica, het gebruik van machine learning-technieken, zoals eenvoudige neurale netwerken of beslissingsbomen, al tientallen jaren in gebruik. Recenter, de theorie en experimentele gemeenschappen wenden zich steeds meer tot de nieuwste technieken, zoals "diepe" neurale netwerkarchitecturen, om ons te helpen de fundamentele aard van ons universum te begrijpen. Het standaardmodel van de deeltjesfysica is een samenhangende verzameling natuurkundige wetten - uitgedrukt in de taal van de wiskunde - die de fundamentele deeltjes en krachten beheersen, die op hun beurt de aard van ons zichtbare heelal verklaren. Bij de CERN LHC, veel wetenschappelijke resultaten richten zich op de zoektocht naar nieuwe "exotische" deeltjes die niet worden voorspeld door het standaardmodel. Deze hypothetische deeltjes zijn de manifestaties van nieuwe theorieën die vragen beantwoorden als:waarom bestaat het heelal voornamelijk uit materie in plaats van antimaterie, of wat is de aard van donkere materie?

Onlangs, zoektochten naar nieuwe deeltjes die meer dan een vluchtig moment in de tijd bestaan ​​voordat ze vervallen tot gewone deeltjes hebben bijzondere aandacht gekregen. Deze "langlevende" deeltjes kunnen meetbare afstanden afleggen (fracties van millimeters of meer) van het proton-protonbotsingspunt in elk LHC-experiment voordat ze vervallen. Vaak, theoretische voorspellingen gaan ervan uit dat het langlevende deeltje niet detecteerbaar is. In dat geval, alleen de deeltjes van het verval van het onontdekte deeltje zullen sporen achterlaten in de detectorsystemen, wat leidt tot de nogal atypische experimentele signatuur van deeltjes die schijnbaar uit het niets verschijnen en verplaatst zijn vanaf het botsingspunt.

Een nieuw aspect van deze studie is het gebruik van gegevens van echte botsingsgebeurtenissen, evenals gesimuleerde gebeurtenissen, om het netwerk te trainen. Deze benadering wordt gebruikt omdat de simulatie, hoewel zeer geavanceerd, niet uitputtend alle details van de echte botsingsgegevens reproduceert. Vooral, de jets die voortkomen uit langlevende deeltjesverval zijn een uitdaging om nauwkeurig te simuleren. Het effect van het toepassen van deze techniek, genaamd "domeinaanpassing, " is dat de informatie die door het neurale netwerk wordt geleverd overeenkomt met een hoge mate van nauwkeurigheid voor zowel echte als gesimuleerde botsingsgegevens. Dit gedrag is een cruciale eigenschap voor algoritmen die zullen worden gebruikt bij zoekopdrachten naar zeldzame nieuwe natuurkundige processen, omdat de algoritmen robuustheid en betrouwbaarheid moeten aantonen wanneer ze op gegevens worden toegepast.

De CMS-samenwerking zal deze nieuwe tool inzetten als onderdeel van haar voortdurende zoektocht naar exotische, langlevende deeltjes. Dit onderzoek maakt deel uit van een groter, gecoördineerde inspanning bij alle LHC-experimenten om moderne machinetechnieken te gebruiken om de manier waarop de grote gegevensmonsters worden geregistreerd door de detectoren en de daaropvolgende gegevensanalyse te verbeteren. Bijvoorbeeld, het gebruik van domeinaanpassing kan het gemakkelijker maken om robuuste machinaal aangeleerde modellen in te zetten als onderdeel van toekomstige resultaten. De ervaring die is opgedaan met dit soort onderzoeken zal het fysica-potentieel tijdens run 3 vergroten, vanaf 2021, en verder met de High Luminosity LHC.