Forskare från Higher School of Economics har utvecklat en metod som gör att fysiker vid Large Hadron Collider (LHC) kan skilja mellan olika typer av elementära partiklar med hög noggrannhet. Resultaten publicerades i Journal of Physics .

Ett av de stora olösta problemen i modern fysik är materiens övervägande framför antimateria i universum. De bildades båda inom en sekund efter Big Bang, i förmodligen lika bråk, och fysiker försöker förstå vart antimateria har försvunnit. Tillbaka 1966, Den ryska forskaren Andrei Sakharov föreslog att obalansen mellan materia och antimateria uppstod som ett resultat av CP -kränkning, d.v.s. en asymmetri mellan partiklar och antipartiklar. Således, endast partiklar återstod efter deras utplånande (ömsesidiga förstörelse) av resulterande obalanserade bidrag.

Skönhetsförsöket Large Hadron Collider (LHCb) studerar instabila partiklar som kallas B-mesoner. Deras förfall visar den tydligaste asymmetrin mellan materia och antimateria. LHCb består av flera specialiserade detektorer, specifikt, kalorimetrar för att mäta energin hos neutrala partiklar. Kalorimetrar identifierar också olika typer av partiklar. Dessa görs genom sökning och analys av motsvarande kluster av energideponering. Det är, dock, inte lätt att skilja signaler från två typer av fotoner - primära fotoner och fotoner från energiskt π0 mesonförfall. HSE -forskare utvecklade en metod för att klassificera dessa två med hög noggrannhet.

Studiens författare använde artificiella neurala nätverk och gradientförstärkning (en maskininlärningsalgoritm) för att klassificera energier som samlats in i de enskilda cellerna i energiklusterna.

"Vi tog en fem-till-fem-matris med ett centrum vid kalorimetercellen med den största energin, "säger Fedor Ratnikov, en av studiens författare och en ledande forskare vid HSE Laboratory of Methods for Big Data Analysis. "Istället för att analysera de speciella egenskaper som konstrueras av råenergier i klusterceller, vi överför dessa råa energier direkt till algoritmen för analys. Maskinen kunde förstå informationen bättre än en person. "

Jämfört med den tidigare metoden för förbehandling av data, den nya maskininlärningsbaserade metoden har fyrdubblat kvalitetsstatistik för identifiering av partiklar på kalorimetern. Algoritmen förbättrade klassificeringskvaliteten från 0,89 till 0,97; ju högre denna siffra är, desto bättre fungerar klassificeraren. Med en 98 procent effektivitetsgrad för initial fotonidentifiering, det nya tillvägagångssättet har sänkt den falska fotonidentifieringsgraden från 60 procent till 30 procent.

Den föreslagna metoden är unik genom att den gör det möjligt att identifiera elementära partiklar utan att först studera egenskaperna hos klustret som analyseras. "Vi överför data till maskininlärning i hopp om att algoritmen hittar korrelationer som vi kanske inte har övervägt. Tillvägagångssättet fungerade uppenbarligen i det här fallet, "Avslutar Fedor Ratnikov.