Wissenschaftler verwendeten ein neuronales Netzwerk, eine Art vom Gehirn inspirierter Algorithmus für maschinelles Lernen, um große Mengen an Partikelkollisionsdaten zu sichten. Teilchenphysiker haben die Aufgabe, diesen riesigen und wachsenden Bestand an Kollisionsdaten nach Beweisen für unentdeckte Teilchen zu durchsuchen. Sie suchen insbesondere nach Teilchen, die nicht im Standardmodell der Teilchenphysik enthalten sind, unserem aktuellen Verständnis des Aufbaus des Universums, von dem Wissenschaftler vermuten, dass es unvollständig ist.
Im Rahmen der ATLAS-Zusammenarbeit verwendeten Wissenschaftler des Argonne National Laboratory des US-Energieministeriums (DOE) und ihre Kollegen kürzlich einen maschinellen Lernansatz namens Anomalieerkennung, um große Mengen von ATLAS-Daten zu analysieren. Die Methode wurde noch nie zuvor auf Daten aus einem Collider-Experiment angewendet. Es hat das Potenzial, die Effizienz der gemeinsamen Suche nach etwas Neuem zu verbessern. An der Zusammenarbeit sind Wissenschaftler aus 172 Forschungsorganisationen beteiligt.
Das Team nutzte einen vom Gehirn inspirierten Algorithmus für maschinelles Lernen, ein sogenanntes neuronales Netzwerk, um die Daten nach abnormalen Merkmalen oder Anomalien zu durchsuchen. Die Technik unterscheidet sich von traditionelleren Methoden der Suche nach neuer Physik. Es ist unabhängig von den Vorurteilen der Wissenschaftler und wird daher nicht durch diese eingeschränkt.
Traditionell haben sich ATLAS-Wissenschaftler auf theoretische Modelle verlassen, um ihre Experimente und Analysen in die vielversprechendsten Richtungen für Entdeckungen zu lenken. Dies erfordert häufig die Durchführung komplexer Computersimulationen, um zu bestimmen, wie bestimmte Aspekte von Kollisionsdaten gemäß dem Standardmodell aussehen würden.
Wissenschaftler vergleichen diese Standardmodellvorhersagen mit realen Daten von ATLAS. Sie vergleichen sie auch mit Vorhersagen neuer physikalischer Modelle, etwa denen, die versuchen, dunkle Materie und andere Phänomene zu erklären, die im Standardmodell nicht berücksichtigt werden.
Doch bisher wurden bei den Milliarden von Kollisionen, die bei ATLAS aufgezeichnet wurden, keine Abweichungen vom Standardmodell beobachtet. Und seit der Entdeckung des Higgs-Bosons im Jahr 2012 hat das ATLAS-Experiment noch keine neuen Teilchen gefunden.
„Die Erkennung von Anomalien ist eine ganz andere Herangehensweise an diese Suche“, sagte Sergei Chekanov, Physiker in der Abteilung für Hochenergiephysik von Argonne und Hauptautor der Studie. „Anstatt nach sehr spezifischen Abweichungen zu suchen, besteht das Ziel darin, ungewöhnliche Signaturen in den Daten zu finden, die völlig unerforscht sind und möglicherweise anders aussehen als unsere Theorien vorhersagen.“
Um diese Art der Analyse durchzuführen, stellten die Wissenschaftler jede Partikelinteraktion in den Daten als Bild dar, das einem QR-Code ähnelt. Anschließend trainierte das Team sein neuronales Netzwerk, indem es es 1 % der Bilder aussetzte.
Das Netzwerk besteht aus rund 2 Millionen miteinander verbundenen Knoten, die den Neuronen im Gehirn ähneln. Ohne menschliche Anleitung oder Eingriff wurden Korrelationen zwischen Pixeln in den Bildern identifiziert und gespeichert, die die Interaktionen des Standardmodells charakterisieren. Mit anderen Worten: Es lernte, typische Ereignisse zu erkennen, die in die Vorhersagen des Standardmodells passen.
Nach dem Training speisten die Wissenschaftler die anderen 99 % der Bilder durch das neuronale Netzwerk, um etwaige Anomalien zu erkennen. Wenn ein Bild als Eingabe gegeben wird, hat das neuronale Netzwerk die Aufgabe, das Bild mithilfe seines Verständnisses der Daten als Ganzes neu zu erstellen.
„Wenn das neuronale Netzwerk auf etwas Neues oder Ungewöhnliches stößt, wird es verwirrt und hat Schwierigkeiten, das Bild zu rekonstruieren“, sagte Chekanov. „Wenn es einen großen Unterschied zwischen dem Eingabebild und der von ihm erzeugten Ausgabe gibt, wissen wir, dass es in dieser Richtung möglicherweise etwas Interessantes zu erkunden gibt.“
Mithilfe der Rechenressourcen im Laboratory Computing Resource Center von Argonne analysierte das neuronale Netzwerk rund 160 Millionen Ereignisse in den LHC Run-2-Daten, die von 2015 bis 2018 gesammelt wurden.
Obwohl das neuronale Netzwerk in diesem Datensatz keine offensichtlichen Anzeichen neuer Physik fand, entdeckte es eine Anomalie, die nach Ansicht der Wissenschaftler eine weitere Untersuchung wert ist. Ein exotischer Teilchenzerfall bei einer Energie von etwa 4,8 Teraelektronenvolt führt zu einem Myon (einer Art fundamentaler Teilchen) und einem Strahl anderer Teilchen auf eine Weise, die nicht zum Verständnis des neuronalen Netzwerks über Standardmodell-Wechselwirkungen passt.
„Wir müssen weitere Untersuchungen durchführen“, sagte Tschekanow. „Es handelt sich wahrscheinlich um eine statistische Schwankung, aber es besteht die Möglichkeit, dass dieser Zerfall auf die Existenz eines unentdeckten Teilchens hinweisen könnte.“
Das Team plant, diese Technik auf Daten anzuwenden, die während der LHC-Run-3-Phase, die im Jahr 2022 begann, gesammelt wurden. ATLAS-Wissenschaftler werden weiterhin das Potenzial des maschinellen Lernens und der Anomalieerkennung als Werkzeuge zur Erschließung unbekannter Gebiete in der Teilchenphysik erforschen.
Das Papier ist veröffentlicht im Tagebuch Briefe zur körperlichen Untersuchung.
Mehr Informationen:
G. Aad et al., Suche nach neuen Phänomenen in Zweikörper-Invarianten-Massenverteilungen unter Verwendung von unüberwachtem maschinellem Lernen zur Anomalieerkennung bei s=13 TeV mit dem ATLAS-Detektor, Briefe zur körperlichen Untersuchung (2024). DOI: 10.1103/PhysRevLett.132.081801