Forskare använde ett neuralt nätverk, en typ av hjärninspirerad maskininlärningsalgoritm, för att sålla igenom stora volymer partikelkollisionsdata. Partikelfysiker har till uppgift att bryta detta enorma och växande lager av kollisionsdata för bevis på oupptäckta partiklar. I synnerhet letar de efter partiklar som inte ingår i standardmodellen för partikelfysik, vår nuvarande förståelse av universums sammansättning som forskare misstänker är ofullständig.

Som en del av ATLAS-samarbetet använde forskare vid U.S. Department of Energys (DOE) Argonne National Laboratory och deras kollegor nyligen en maskininlärningsmetod som kallas anomalidetektion för att analysera stora volymer ATLAS-data. Metoden har aldrig tidigare tillämpats på data från ett kolliderexperiment. Det har potential att effektivisera samarbetets sökande efter något nytt. Samarbetet involverar forskare från 172 forskningsorganisationer.

Teamet utnyttjade en hjärninspirerad typ av maskininlärningsalgoritm som kallas ett neuralt nätverk för att söka i data efter onormala egenskaper eller anomalier. Tekniken bryter från mer traditionella metoder för att söka efter ny fysik. Den är oberoende av – och därför obegränsad av – forskarnas förutfattade meningar.

Traditionellt har ATLAS-forskare förlitat sig på teoretiska modeller för att hjälpa deras experiment och analys i de riktningar som är mest lovande för upptäckt. Detta innebär ofta att man utför komplexa datorsimuleringar för att bestämma hur vissa aspekter av kollisionsdata skulle se ut enligt standardmodellen.

Forskare jämför dessa standardmodellförutsägelser med verkliga data från ATLAS. De jämför dem också med förutsägelser gjorda av nya fysikmodeller, som de som försöker förklara mörk materia och andra fenomen som Standardmodellen inte redogör för.

Men hittills har inga avvikelser från standardmodellen observerats i de miljarder miljarder kollisioner som registrerats vid ATLAS. Och sedan upptäckten av Higgs-bosonen 2012 har ATLAS-experimentet ännu inte hittat några nya partiklar.

"Anomalidetektering är ett mycket annorlunda sätt att närma sig denna sökning", säger Sergei Chekanov, fysiker vid Argonnes högenergifysikavdelning och huvudförfattare till studien. "Istället för att leta efter mycket specifika avvikelser är målet att hitta ovanliga signaturer i data som är helt outforskade och som kan se annorlunda ut än vad våra teorier förutspår."

För att utföra denna typ av analys representerade forskarna varje partikelinteraktion i data som en bild som liknar en QR-kod. Sedan tränade teamet sitt neurala nätverk genom att exponera det för 1 % av bilderna.

Nätverket består av cirka 2 miljoner sammankopplade noder, som är analoga med neuroner i hjärnan. Utan mänsklig vägledning eller ingripande, identifierade och kom ihåg korrelationer mellan pixlar i bilderna som kännetecknar standardmodellinteraktioner. Den lärde sig med andra ord att känna igen typiska händelser som passar in i standardmodellens förutsägelser.

Efter träning matade forskarna de andra 99% av bilderna genom det neurala nätverket för att upptäcka eventuella anomalier. När det ges en bild som indata har det neurala nätverket i uppgift att återskapa bilden med hjälp av dess förståelse av data som helhet.

"Om det neurala nätverket stöter på något nytt eller ovanligt, blir det förvirrat och har svårt att rekonstruera bilden", sa Chekanov. "Om det finns en stor skillnad mellan ingångsbilden och den utdata den producerar, låter den oss veta att det kan finnas något intressant att utforska i den riktningen."

Med hjälp av beräkningsresurser vid Argonnes Laboratory Computing Resource Center analyserade det neurala nätverket cirka 160 miljoner händelser inom LHC Run-2-data som samlats in från 2015 till 2018.

Även om det neurala nätverket inte hittade några iögonfallande tecken på ny fysik i denna datauppsättning, upptäckte det en anomali som forskarna tycker är värd att studera vidare. En exotisk partikelsönderfall vid en energi på cirka 4,8 teraelektronvolt resulterar i en myon (en typ av fundamental partikel) och en stråle av andra partiklar på ett sätt som inte passar in i det neurala nätverkets förståelse av standardmodellinteraktioner.

"Vi måste göra mer utredning," sa Chekanov. "Det är sannolikt en statistisk fluktuation, men det finns en chans att detta sönderfall kan indikera att det finns en oupptäckt partikel."

Teamet planerar att tillämpa den här tekniken på data som samlats in under LHC Run-3-perioden, som började 2022. ATLAS-forskare kommer att fortsätta att utforska potentialen för maskininlärning och anomalidetektering som verktyg för att kartlägga okänt territorium inom partikelfysik.

Uppsatsen är publicerad i tidskriften Physical Review Letters .

Mer information: G. Aad et al, Sök efter nya fenomen i tvåkroppsliga invarianta massfördelningar med oövervakad maskininlärning för anomalidetektering vid s=13 TeV med ATLAS-detektorn, Physical Review Letters (2024). DOI:10.1103/PhysRevLett.132.081801

Journalinformation: Fysiska granskningsbrev

Tillhandahålls av Argonne National Laboratory