Eines der Hauptziele der LHC-Experimente ist die Suche nach Anzeichen für neue Teilchen, die viele der ungelösten Rätsel der Physik erklären könnten. Oftmals ist die Suche nach neuen physikalischen Phänomenen darauf ausgelegt, jeweils nur einen bestimmten Typ neuer Teilchen zu finden, wobei theoretische Vorhersagen als Leitfaden dienen. Aber wie sieht es mit der Suche nach unvorhergesagten – und unerwarteten – neuen Teilchen aus?
Die Milliarden von Kollisionen in den LHC-Experimenten zu durchforsten, ohne genau zu wissen, wonach man suchen soll, wäre für Physiker eine Mammutaufgabe. Anstatt die Daten zu durchforsten und nach Anomalien zu suchen, überlassen die ATLAS- und CMS-Kooperationen diese Aufgabe der künstlichen Intelligenz (KI).
Auf der Konferenz Rencontres de Moriond am 26. März präsentierten Physiker der CMS-Kollaboration die neuesten Ergebnisse erhalten durch den Einsatz verschiedener maschineller Lerntechniken zur Suche nach „Jets“-Paaren. Diese Jets sind kollimierte Partikelstrahlen, die von stark wechselwirkenden Quarks und Gluonen stammen. Sie sind besonders schwer zu analysieren, könnten aber neue physikalische Erkenntnisse verbergen.
Forscher bei ATLAS und CMS verwenden verschiedene Strategien, um KI-Algorithmen für die Suche nach Jets zu trainieren. Durch die Untersuchung der Form ihrer komplexen Energiesignaturen können Wissenschaftler feststellen, welches Teilchen den Jet erzeugt hat.
Anhand realer Kollisionsdaten trainieren die Physiker beider Experimente ihre KI, die Charakteristika von Jets zu erkennen, die von bekannten Teilchen ausgehen. Die KI ist dann in der Lage, diese Jets von atypischen Jetsignaturen zu unterscheiden, die möglicherweise auf neue Wechselwirkungen hinweisen. Diese würden sich als Ansammlung atypischer Jets im Datensatz zeigen.
Eine andere Methode besteht darin, den KI-Algorithmus anzuweisen, das gesamte Kollisionsereignis zu berücksichtigen und nach anomalen Merkmalen in den verschiedenen erkannten Partikeln zu suchen. Diese anomalen Merkmale können auf das Vorhandensein neuer Partikel hinweisen. Diese Technik wurde in einem von ATLAS im Juli 2023, bei dem es sich um einen der ersten Einsätze von unüberwachtem maschinellem Lernen in einem LHC-Ergebnis handelte.
Bei CMS wird ein anderer Ansatz verfolgt: Die Physiker erstellen simulierte Beispiele potenzieller neuer Signale und beauftragen dann die KI mit der Identifizierung von Kollisionen in den realen Daten, die sich von normalen Jets unterscheiden, aber der Simulation ähneln.
Die neuesten von CMS vorgestellten Ergebnisse zeigten, dass die einzelnen KI-Trainingsmethoden unterschiedlich empfindlich auf verschiedene Arten neuer Partikel reagierten und kein einzelner Algorithmus sich als der beste erwies.
Dem CMS-Team gelang es, die Produktionsrate verschiedener Partikeltypen, die anomale Jets erzeugen, zu begrenzen. Außerdem konnte es zeigen, dass die KI-gesteuerten Algorithmen die Empfindlichkeit gegenüber einer breiten Palette von Partikelsignaturen im Vergleich zu herkömmlichen Techniken deutlich erhöhten.
Diese Ergebnisse zeigen, wie maschinelles Lernen die Suche nach neuer Physik revolutioniert. „Wir haben bereits Ideen, wie wir die Algorithmen weiter verbessern und auf verschiedene Teile der Daten anwenden können, um nach verschiedenen Arten von Teilchen zu suchen“, sagt Oz Amram vom CMS-Analyseteam.
Mehr Informationen:
Modell-agnostische Suche nach Dijet-Resonanzen mit anomaler Jet-Substruktur in Proton-Proton-Kollisionen bei
√s = 13 TeV. cms-results.web.cern.ch/cms-re … XO-22-026/index.html