Wetenschap
Het team stelt voor om AI te gebruiken om deeltjespaden te reconstrueren die naar nieuwe natuurkunde leiden
Deeltjes die in versnellers botsen, produceren talloze cascades van secundaire deeltjes. De elektronica die de signalen verwerkt die vanuit de detectoren binnenkomen, heeft dan een fractie van een seconde de tijd om te beoordelen of een gebeurtenis van voldoende belang is om deze te bewaren voor latere analyse. In de nabije toekomst kan deze veeleisende taak worden uitgevoerd met behulp van algoritmen op basis van AI, bij de ontwikkeling waarvan wetenschappers van het Instituut voor Kernfysica van de PAS betrokken zijn.
Elektronica heeft in de kernfysica nooit een gemakkelijk leven gehad. Er komen zoveel gegevens binnen van de Large Hadron Collider, de krachtigste versneller ter wereld, dat het vastleggen ervan nooit een optie is geweest. De systemen die de signaalgolf van de detectoren verwerken, zijn daarom gespecialiseerd in het vergeten:ze reconstrueren de sporen van secundaire deeltjes in een fractie van een seconde en beoordelen of de zojuist waargenomen botsing kan worden genegeerd of dat deze de moeite waard is om te bewaren voor verdere analyse. De huidige methoden om deeltjessporen te reconstrueren zullen echter binnenkort niet meer voldoen.
Onderzoek gepresenteerd in Informatica , door wetenschappers van het Instituut voor Kernfysica van de Poolse Academie van Wetenschappen (IFJ PAN) in Krakau, Polen, suggereert dat instrumenten die zijn gebouwd met behulp van kunstmatige intelligentie een effectief alternatief kunnen zijn voor de huidige methoden voor de snelle reconstructie van deeltjessporen. Hun debuut zou in de komende twee tot drie jaar kunnen plaatsvinden, waarschijnlijk in het MUonE-experiment dat de zoektocht naar nieuwe natuurkunde ondersteunt.
In moderne natuurkundige experimenten met hoge energie gaan deeltjes die divergeren vanaf het botsingspunt door opeenvolgende lagen van de detector, waarbij ze in elke laag een beetje energie afzetten. In de praktijk betekent dit dat als de detector uit tien lagen bestaat en het secundaire deeltje deze allemaal passeert, zijn pad moet worden gereconstrueerd op basis van tien punten. De taak lijkt slechts schijnbaar eenvoudig.
"Er is meestal een magnetisch veld in de detectoren. Geladen deeltjes bewegen daarin langs gebogen lijnen en dit is ook de manier waarop de door hen geactiveerde detectorelementen, die we in ons jargon treffers noemen, zich ten opzichte van elkaar zullen bevinden", legt hij uit. Prof. Marcin Kucharczyk, (IFJ PAN).
"In werkelijkheid kan de zogenaamde bezetting van de detector, dat wil zeggen het aantal treffers per detectorelement, erg hoog zijn, wat veel problemen veroorzaakt bij het correct reconstrueren van de sporen van deeltjes. In het bijzonder de reconstructie van sporen die dat wel zijn dicht bij elkaar is nogal een probleem."
Experimenten die zijn ontworpen om nieuwe fysica te vinden, zullen deeltjes met hogere energieën dan voorheen met elkaar in botsing brengen, wat betekent dat er bij elke botsing meer secundaire deeltjes zullen ontstaan. Ook zal de helderheid van de bundels hoger moeten zijn, waardoor het aantal botsingen per tijdseenheid zal toenemen. Onder dergelijke omstandigheden kunnen klassieke methoden voor het reconstrueren van deeltjessporen niet langer het hoofd bieden. Kunstmatige intelligentie, die uitblinkt waar bepaalde universele patronen snel moeten worden herkend, kan te hulp schieten.
“De kunstmatige intelligentie die we hebben ontworpen is een diep neuraal netwerk. Het bestaat uit een invoerlaag bestaande uit twintig neuronen, vier verborgen lagen van elk duizend neuronen en een uitvoerlaag met acht neuronen. Alle neuronen van elke laag zijn met elkaar verbonden. naar alle neuronen van de aangrenzende laag. In totaal heeft het netwerk twee miljoen configuratieparameters, waarvan de waarden worden ingesteld tijdens het leerproces", zegt Dr. Milosz Zdybal (IFJ PAN).
Het aldus voorbereide diepe neurale netwerk werd getraind met behulp van 40.000 gesimuleerde deeltjesbotsingen, aangevuld met kunstmatig gegenereerde ruis. Tijdens de testfase werd alleen hitinformatie in het netwerk ingevoerd. Omdat deze waren afgeleid uit computersimulaties, waren de oorspronkelijke trajecten van de verantwoordelijke deeltjes exact bekend en konden ze worden vergeleken met de reconstructies van de kunstmatige intelligentie. Op basis hiervan leerde de kunstmatige intelligentie de deeltjessporen correct te reconstrueren.
"In ons artikel laten we zien dat het diepe neurale netwerk dat is getraind op een goed voorbereide database in staat is om secundaire deeltjessporen net zo nauwkeurig te reconstrueren als klassieke algoritmen. Dit is een resultaat van groot belang voor de ontwikkeling van detectietechnieken. Terwijl het trainen van een diep neuraal netwerk netwerk is een langdurig en rekenintensief proces, een getraind netwerk reageert onmiddellijk. Omdat het dit ook met voldoende nauwkeurigheid doet, kunnen we optimistisch nadenken over het gebruik ervan in het geval van echte botsingen", benadrukt prof. Kucharczyk.
Het dichtstbijzijnde experiment waarin de kunstmatige intelligentie van IFJ PAN de kans zou krijgen om zichzelf te bewijzen is MUonE (MUon ON Electron elastic scattering). Hierbij wordt een interessante discrepantie onderzocht tussen de gemeten waarden van een bepaalde fysieke grootheid die te maken heeft met muonen (deeltjes die ongeveer 200 keer zo zwaar zijn als het elektron) en voorspellingen van het Standaardmodel (dat wil zeggen, het model dat wordt gebruikt om de wereld van de mens te beschrijven). elementaire deeltjes).
Metingen uitgevoerd bij het Amerikaanse versnellercentrum Fermilab laten zien dat het zogenoemde afwijkende magnetische moment van muonen afwijkt van de voorspellingen van het Standaardmodel met een zekerheid van maximaal 4,2 standaarddeviaties (ook wel sigma genoemd). Ondertussen wordt in de natuurkunde aanvaard dat een significantie boven 5 sigma, overeenkomend met een zekerheid van 99,99995%, een waarde is die aanvaardbaar wordt geacht om een ontdekking aan te kondigen.
De betekenis van de discrepantie die wijst op nieuwe natuurkunde zou aanzienlijk kunnen worden vergroot als de nauwkeurigheid van de voorspellingen van het Standaardmodel zou kunnen worden verbeterd. Om het afwijkende magnetische moment van het muon met zijn hulp echter beter te kunnen bepalen, zou het nodig zijn om een nauwkeurigere waarde te kennen van de parameter die bekend staat als de hadronische correctie. Helaas is een wiskundige berekening van deze parameter niet mogelijk.
Op dit punt wordt de rol van het MUonE-experiment duidelijk. Daarin willen wetenschappers de verstrooiing van muonen op elektronen van atomen met een laag atoomnummer, zoals koolstof of beryllium, bestuderen. De resultaten zullen een nauwkeurigere bepaling mogelijk maken van bepaalde fysieke parameters die rechtstreeks afhankelijk zijn van de hadronische correctie.
Als alles volgens de plannen van de natuurkundigen verloopt, zal de op deze manier bepaalde hadronische correctie het vertrouwen in het meten van de discrepantie tussen de theoretische en gemeten waarde van het afwijkende magnetische moment van het muon met wel 7 sigma vergroten – en het bestaan van tot nu toe onbekende natuurkunde. kan werkelijkheid worden.
Het MUonE-experiment moet al volgend jaar van start gaan in de Europese kerncentrale CERN, maar de doelfase is gepland voor 2027, wat waarschijnlijk het moment is waarop de natuurkundigen uit Krakau de kans zullen krijgen om te zien of de kunstmatige intelligentie die ze hebben gecreëerd zijn werk zal doen. baan bij het reconstrueren van deeltjessporen. Bevestiging van de effectiviteit ervan onder de omstandigheden van een echt experiment zou het begin kunnen betekenen van een nieuw tijdperk in deeltjesdetectietechnieken.