Wie löst man ein Problem wie ein Proton? Zerschmettere es und baue es dann mit maschinellem Lernen wieder auf

Protonen sind winzig, haben aber viel Gewicht. Sie bewohnen das Zentrum jedes Atoms im Universum und spielen eine entscheidende Rolle in einer der stärksten Naturkräfte.

Und doch haben Protonen auch eine bodenständige Seite.

Wie die meisten Teilchen haben Protonen einen Spin, der wie winzige Magnete wirkt. Das Umdrehen des Spins oder der Polarität eines Protons mag wie Science-Fiction klingen, aber es ist die Grundlage für technologische Durchbrüche, die für unser tägliches Leben unverzichtbar geworden sind, wie z. B. die Magnetresonanztomographie (MRT), das unschätzbare medizinische Diagnosewerkzeug.

Trotz dieser Fortschritte bleibt das Innenleben des Protons ein Rätsel.

„Im Grunde existiert alles um uns herum aufgrund von Protonen – und dennoch verstehen wir immer noch nicht alles über sie. Ein großes Rätsel, das Physiker lösen wollen, ist der Spin des Protons“, sagte Ben Nachman, ein Physiker, der die Machine Learning Group in der leitet Physikabteilung am Lawrence Berkeley National Laboratory (Berkeley Lab) des Energieministeriums.

Zu verstehen, wie und warum sich Protonen drehen, könnte zu technologischen Fortschritten führen, die wir uns heute noch nicht einmal vorstellen können, und uns helfen, die starke Kraft zu verstehen, eine grundlegende Eigenschaft, die allen Protonen und damit Atomen Masse verleiht.

Aber es ist kein so einfaches Problem zu lösen. Zum einen kann man ein Proton nicht genau aufheben und in eine Petrischale legen: Protonen sind unergründlich klein – ihr Radius beträgt ein Haar von einem Billiardstel Meter, und sichtbares Licht geht direkt durch sie hindurch. Außerdem kann man ihr Inneres nicht einmal mit den leistungsstärksten Elektronenmikroskopen der Welt betrachten.

Jüngste Arbeiten von Nachman und seinem Team könnten uns der Lösung dieses verwirrenden Protonenrätsels näher bringen.

Als Mitglied der H1 Collaboration – einer internationalen Gruppe, der mittlerweile 150 Wissenschaftler aus 50 Instituten und 15 Ländern angehören und die ihren Sitz am nationalen Forschungszentrum DESY in Deutschland hat – hat Nachman neue Algorithmen für maschinelles Lernen entwickelt, um die Analyse der gesammelten Daten zu beschleunigen vor Jahrzehnten von HERA, dem weltweit leistungsstärksten Elektron-Protonen-Beschleuniger, der von 1992 bis 2007 bei DESY lief.

HERA – ein Ring mit einem Umfang von 4 Meilen – funktionierte wie ein riesiges Mikroskop, das sowohl Elektronen als auch Protonen auf nahezu Lichtgeschwindigkeit beschleunigte. Die Teilchen wurden frontal kollidiert, wodurch ein Proton in seine Bestandteile zerstreut werden konnte: Quarks und Gluonen.

Wissenschaftler von HERA nahmen Messungen der Teilchentrümmer vor, die bei diesen Elektron-Proton-Kollisionen, was Physiker als „tiefe inelastische Streuung“ bezeichnen, durch ausgeklügelte Kameras, sogenannte Teilchendetektoren, von denen einer der H1-Detektor war, kaskadiert wurden.

Geheimnisse der starken Kraft enthüllen

2007, dem Jahr der Außerbetriebnahme von HERA, hörte das H1 auf, Daten zu sammeln. Noch heute analysiert die H1 Collaboration die Daten und veröffentlicht die Ergebnisse in wissenschaftlichen Zeitschriften.

Es kann ein Jahr oder länger dauern, wenn herkömmliche Computertechniken verwendet werden, um Größen im Zusammenhang mit der Protonenstruktur und der starken Kraft zu messen, z. B. wie viele Teilchen erzeugt werden, wenn ein Proton mit einem Elektron kollidiert.

Und wenn ein Forscher eine andere Größe untersuchen möchte, etwa wie schnell Teilchen im Kielwasser eines Quark-Gluon-Jetstreams fliegen, müsste er den langen Rechenprozess von vorne beginnen und noch ein weiteres Jahr warten.

Ein neues Tool für maschinelles Lernen namens OmniFold – das von Nachman mitentwickelt wurde – kann gleichzeitig viele Größen gleichzeitig messen und dadurch die Zeitdauer für die Durchführung einer Analyse von Jahren auf Minuten reduzieren.

OmniFold tut dies, indem es sofort neuronale Netze verwendet, um Computersimulationen mit Daten zu kombinieren. (Ein neuronales Netzwerk ist ein maschinelles Lernwerkzeug, das komplexe Daten verarbeitet, die für Wissenschaftler nicht manuell möglich sind.)

Nachman und sein Team wendeten in einer Juni-Ausgabe des Journals erstmals OmniFold auf H1-Versuchsdaten an Briefe zur körperlichen Überprüfung und in jüngerer Zeit auf der Deep Inelastic Scattering (DIS) Conference 2022.

Um OmniFold zu entwickeln und seine Robustheit gegenüber H1-Daten zu testen, haben Nachman und Vinicius Mikuni, ein Postdoktorand in der Gruppe Data and Analytics Services (DAS) am National Energy Research Scientific Computing Center (NERSC) von Berkeley Lab und einem NERSC Exascale Science Applications Program for Learning Kollege, brauchte einen Supercomputer mit vielen leistungsstarken GPUs (Grafikprozessoren), sagte Nachman.

Zufälligerweise hatte Perlmutter, ein neuer Supercomputer zur Unterstützung von Simulationen, Datenanalysen und Experimenten mit künstlicher Intelligenz, die mehrere GPUs gleichzeitig erfordern, gerade im Sommer 2021 für eine „frühe Wissenschaftsphase“ geöffnet, in der Wissenschaftler das System testen konnten echte Daten. (Der Perlmutter-Supercomputer ist nach dem Berkeley Lab-Kosmologen und Nobelpreisträger Saul Perlmutter benannt.)

„Da wir mit dem Perlmutter-Supercomputer 128 GPUs gleichzeitig verwenden konnten, konnten wir alle Schritte der Analyse, von der Datenverarbeitung bis zur Ableitung der Ergebnisse, in weniger als einer Woche statt in Monaten durchführen. Diese Verbesserung ermöglicht es uns, schnell zu sein um die von uns trainierten neuronalen Netze zu optimieren und ein genaueres Ergebnis für die von uns gemessenen Observablen zu erzielen“, sagte Mikuni, der auch Mitglied der H1 Collaboration ist.

Eine zentrale Aufgabe bei diesen Messungen ist die Berücksichtigung von Detektorverzerrungen. Der H1-Detektor, der wie ein Wachposten am Eingang einer ausverkauften Konzerthalle steht, überwacht Partikel, während sie hindurchfliegen. Eine Quelle von Messfehlern tritt beispielsweise auf, wenn Partikel um den Detektor herumfliegen statt durch ihn hindurch – ähnlich wie ein Konzertbesucher ohne Eintrittskarte über einen unbewachten Zaun springt, anstatt durch das Sicherheitstor mit Eintrittskarte einzutreten.

Eine gleichzeitige Korrektur aller Verzerrungen war aufgrund der damals verfügbaren begrenzten Berechnungsmethoden nicht möglich. „Unser Verständnis der subatomaren Physik und Datenanalysetechniken hat sich seit 2007 erheblich weiterentwickelt, und so können Wissenschaftler heute neue Erkenntnisse nutzen, um die H1-Daten zu analysieren“, sagte Nachman.

Wissenschaftler haben heute ein erneutes Interesse an den Teilchenexperimenten von HERA, da sie hoffen, die Daten – und genauere Computersimulationen, die von Tools wie OmniFold gestützt werden – zu verwenden, um die Analyse der Ergebnisse zukünftiger Elektron-Proton-Experimente zu unterstützen, beispielsweise am Department of Energy’s Electron-Ion Collider (EIC) der nächsten Generation.

Das EIC, das am Brookhaven National Laboratory in Partnerschaft mit der Thomas Jefferson National Accelerator Facility gebaut werden soll, wird eine leistungsstarke und vielseitige neue Maschine sein, die in der Lage ist, hochenergetische Strahlen polarisierter Elektronen mit einer Vielzahl von Ionen (oder geladenen Atomen) zu kollidieren viele Energien, darunter polarisierte Protonen und einige polarisierte Ionen.

„Es ist aufregend zu glauben, dass unsere Methode Wissenschaftlern eines Tages helfen könnte, Fragen zu beantworten, die noch offen sind über die starke Kraft“, sagte Nachman.

„Auch wenn diese Arbeit in naher Zukunft möglicherweise nicht zu praktischen Anwendungen führt, sind wir hier, um die Bausteine ​​der Natur zu verstehen – um die ultimative Wahrheit zu suchen. Dies sind Schritte, um auf der grundlegendsten Ebene zu verstehen, woraus alles besteht.“ . Das ist es, was mich antreibt. Wenn wir die Forschung jetzt nicht betreiben, werden wir nie wissen, welche aufregenden neuen technologischen Fortschritte wir erzielen werden, um zukünftigen Gesellschaften zugute zu kommen.“