Partiklar som kolliderar i acceleratorer producerar många kaskader av sekundära partiklar. Elektroniken som bearbetar signalerna som lavar in från detektorerna har sedan en bråkdel av en sekund på sig att bedöma om en händelse är tillräckligt intressant för att spara den för senare analys. Inom en snar framtid kan denna krävande uppgift utföras med hjälp av algoritmer baserade på AI, vars utveckling involverar forskare från Institute of Nuclear Physics i PAS.

Elektronik har aldrig haft ett lätt liv inom kärnfysik. Det kommer in så mycket data från Large Hadron Collider, den kraftfullaste acceleratorn i världen, att det aldrig har varit ett alternativ att spela in allt. Systemen som behandlar vågen av signaler som kommer från detektorerna är därför specialiserade på att glömma — de rekonstruerar spåren av sekundära partiklar på en bråkdel av en sekund och bedömer om kollisionen som just observerats kan ignoreras eller om den är värd att spara för vidare analys. Men de nuvarande metoderna för att rekonstruera partikelspår kommer snart inte längre att räcka.

Forskning presenterad i Datavetenskap , av forskare från Institutet för kärnfysik vid den polska vetenskapsakademin (IFJ PAN) i Krakow, Polen, tyder på att verktyg byggda med artificiell intelligens skulle kunna vara ett effektivt alternativ till nuvarande metoder för snabb rekonstruktion av partikelspår. Deras debut kan inträffa under de kommande två till tre åren, förmodligen i MUonE-experimentet som stödjer sökandet efter ny fysik.

I moderna högenergifysikexperiment passerar partiklar som divergerar från kollisionspunkten genom på varandra följande lager av detektorn och avsätter lite energi i varje. I praktiken betyder detta att om detektorn består av tio lager och den sekundära partikeln passerar genom alla, måste dess väg rekonstrueras utifrån tio punkter. Uppgiften är bara till synes enkel.

"Det finns vanligtvis ett magnetfält inuti detektorerna. Laddade partiklar rör sig i det längs krökta linjer och det är också så de detektorelement som aktiveras av dem, som vi i vår jargong kallar träffar, kommer att vara placerade i förhållande till varandra", förklarar det. Prof. Marcin Kucharczyk, (IFJ PAN).

"I verkligheten kan den så kallade beläggningen av detektorn, d.v.s. antalet träffar per detektorelement, vara mycket hög, vilket orsakar många problem när man försöker rekonstruera spåren av partiklar korrekt. I synnerhet rekonstruktionen av spår som är nära varandra är ett stort problem."

Experiment utformade för att hitta ny fysik kommer att kollidera partiklar med högre energier än tidigare, vilket innebär att fler sekundära partiklar kommer att skapas vid varje kollision. Ljusstyrkan på strålarna måste också vara högre, vilket i sin tur kommer att öka antalet kollisioner per tidsenhet. Under sådana förhållanden klarar inte klassiska metoder för att rekonstruera partikelspår längre. Artificiell intelligens, som utmärker sig där vissa universella mönster måste identifieras snabbt, kan komma till undsättning.

"Den artificiella intelligensen vi har designat är ett djupt neuralt nätverk. Det består av ett ingångsskikt som består av 20 neuroner, fyra dolda skikt med 1 000 neuroner vardera och ett utgångsskikt med åtta neuroner. Alla neuroner i varje skikt är sammankopplade till alla neuroner i det angränsande lagret Sammanlagt har nätverket två miljoner konfigurationsparametrar, vars värden ställs in under inlärningsprocessen", säger Dr. Milosz Zdybal (IFJ PAN).

Det sålunda förberedda djupa neurala nätverket tränades med hjälp av 40 000 simulerade partikelkollisioner, kompletterat med artificiellt genererat brus. Under testfasen matades endast träffinformation in i nätverket. Eftersom dessa härrörde från datorsimuleringar var de ursprungliga banorna för de ansvariga partiklarna kända exakt och kunde jämföras med de rekonstruktioner som den artificiella intelligensen gav. På grundval av detta lärde sig den artificiella intelligensen att korrekt rekonstruera partikelspåren.

"I vår artikel visar vi att det djupa neurala nätverket tränat på en korrekt förberedd databas kan rekonstruera sekundära partikelspår lika exakt som klassiska algoritmer. Detta är ett resultat av stor betydelse för utvecklingen av detektionstekniker. Samtidigt som man tränar en djup neural nätverk är en lång och beräkningskrävande process, ett utbildat nätverk reagerar omedelbart Eftersom det också gör detta med tillfredsställande precision, kan vi tänka optimistiskt på att använda det vid riktiga kollisioner, betonar prof. Kucharczyk.

Det närmaste experimentet där den artificiella intelligensen från IFJ PAN skulle ha en chans att bevisa sig själv är MUonE (MUon ON Electron elastic scattering). Detta undersöker en intressant diskrepans mellan de uppmätta värdena för en viss fysisk kvantitet som har att göra med myoner (partiklar som är ungefär 200 gånger mer massiva ekvivalenter av elektronen) och förutsägelser av standardmodellen (det vill säga modellen som används för att beskriva världen av elementarpartiklar).

Mätningar som utförts vid det amerikanska acceleratorcentret Fermilab visar att det så kallade anomala magnetiska momentet hos myoner skiljer sig från standardmodellens förutsägelser med en säkerhet på upp till 4,2 standardavvikelser (kallad sigma). Samtidigt är det accepterat inom fysiken att en signifikans över 5 sigma, motsvarande en säkerhet på 99,99995 %, är ett värde som anses acceptabelt för att tillkännage en upptäckt.

Betydelsen av avvikelsen som indikerar ny fysik skulle kunna ökas avsevärt om precisionen i standardmodellens förutsägelser kunde förbättras. Men för att bättre bestämma myonens avvikande magnetiska moment med dess hjälp, skulle det vara nödvändigt att veta ett mer exakt värde på parametern som kallas hadronisk korrigering. Tyvärr är en matematisk beräkning av denna parameter inte möjlig.

Vid denna tidpunkt blir rollen för MUonE-experimentet tydlig. I den avser forskare att studera spridningen av myoner på elektroner från atomer med lågt atomnummer, såsom kol eller beryllium. Resultaten kommer att möjliggöra en mer exakt bestämning av vissa fysiska parametrar som är direkt beroende av den hadroniska korrigeringen.

Om allt går enligt fysikernas planer kommer den hadroniska korrigeringen som bestäms på detta sätt att öka förtroendet för att mäta diskrepansen mellan det teoretiska och uppmätta värdet av myonens anomala magnetiska moment med upp till 7 sigma – och förekomsten av hittills okänd fysik kan bli verklighet.

MUonE-experimentet ska starta vid Europas kärnkraftsanläggning CERN redan nästa år, men målfasen har planerats till 2027, vilket förmodligen är då Krakow-fysikerna kommer att få möjlighet att se om den artificiella intelligens de har skapat kommer att göra sitt jobb med att rekonstruera partikelspår. Bekräftelse av dess effektivitet under förhållanden för ett verkligt experiment kan markera början på en ny era inom partikeldetekteringstekniker.

Mer information: Miłosz Zdybał et al, maskininlärningsbaserad rekonstruktion för MUonE-experimentet, Datavetenskap (2024). DOI:10.7494/csci.2024.25.1.5690

Tillhandahålls av polska vetenskapsakademin