L’un des principaux objectifs des expériences LHC est de rechercher des signes de nouvelles particules, qui pourraient expliquer de nombreux mystères non résolus de la physique. Souvent, les recherches sur la nouvelle physique visent à rechercher un type spécifique de nouvelle particule à la fois, en utilisant les prédictions théoriques comme guide. Mais qu’en est-il de la recherche de nouvelles particules imprévues – et inattendues ?
Parcourir les milliards de collisions qui se produisent dans les expériences LHC sans savoir exactement quoi rechercher serait une tâche gigantesque pour les physiciens. Ainsi, au lieu de passer au crible les données et de rechercher les anomalies, les collaborations ATLAS et CMS laissent l’intelligence artificielle (IA) faire le travail.
Lors des Rencontres de Moriond le 26 mars, les physiciens de la collaboration CMS ont présenté les derniers résultats obtenu en utilisant diverses techniques d’apprentissage automatique pour rechercher des paires de « jets ». Ces jets sont des pulvérisations collimatées de particules provenant de quarks et de gluons en interaction forte. Ils sont particulièrement difficiles à analyser, mais ils pourraient cacher une nouvelle physique.
Les chercheurs d’ATLAS et de CMS utilisent plusieurs stratégies pour entraîner les algorithmes d’IA dans leurs recherches d’avions. En étudiant la forme de leurs signatures énergétiques complexes, les scientifiques peuvent déterminer quelle particule a créé le jet.
En utilisant des données réelles de collision, les physiciens des deux expériences entraînent leur IA à reconnaître les caractéristiques des jets provenant de particules connues. L’IA est alors capable de différencier ces jets des signatures atypiques des jets, qui indiquent potentiellement de nouvelles interactions. Ceux-ci apparaîtraient comme une accumulation de jets atypiques dans l’ensemble de données.
Une autre méthode consiste à demander à l’algorithme d’IA de considérer l’ensemble de l’événement de collision et de rechercher des caractéristiques anormales dans les différentes particules détectées. Ces caractéristiques anormales peuvent indiquer la présence de nouvelles particules. Cette technique a été démontrée dans un article publié par ATLAS en juillet 2023, qui a présenté l’une des premières utilisations de l’apprentissage automatique non supervisé dans un résultat du LHC.
Chez CMS, une approche différente implique que les physiciens créent des exemples simulés de nouveaux signaux potentiels, puis chargent l’IA d’identifier les collisions dans les données réelles qui sont différentes de celles des avions à réaction ordinaires mais ressemblent à la simulation.
Dans les derniers résultats présentés par CMS, chaque méthode de formation de l’IA a montré des sensibilités variables aux différents types de nouvelles particules, et aucun algorithme ne s’est révélé être le meilleur.
L’équipe CMS a pu limiter le taux de production de plusieurs types différents de particules produisant des jets anormaux. Ils ont également pu montrer que les algorithmes basés sur l’IA amélioraient considérablement la sensibilité à un large éventail de signatures de particules par rapport aux techniques traditionnelles.
Ces résultats montrent comment l’apprentissage automatique révolutionne la recherche d’une nouvelle physique. « Nous avons déjà des idées sur la manière d’améliorer encore les algorithmes et de les appliquer à différentes parties des données pour rechercher plusieurs types de particules », explique Oz Amram, de l’équipe d’analyse de CMS.
Plus d’information:
Recherche indépendante du modèle de résonances de dijet avec une sous-structure de jet anormale dans des collisions proton-proton à
√s = 13 TeV. cms-results.web.cern.ch/cms-re … XO-22-026/index.html