• Home
  • Chimica
  • Astronomia
  • Energia
  • Natura
  • Biologia
  • Fisica
  • Elettronica
  •  Science >> Scienza >  >> Fisica
    L’apprendimento automatico potrebbe aiutare a rivelare particelle non ancora scoperte all’interno dei dati del Large Hadron Collider
    Distribuzioni del punteggio di anomalia dall'AE per i dati e cinque modelli BSM di riferimento. Credito:Lettere di revisione fisica (2024). DOI:10.1103/PhysRevLett.132.081801

    Gli scienziati hanno utilizzato una rete neurale, un tipo di algoritmo di apprendimento automatico ispirato al cervello, per vagliare grandi volumi di dati sulla collisione delle particelle. I fisici delle particelle hanno il compito di estrarre questa enorme e crescente riserva di dati sulle collisioni per trovare prove dell’esistenza di particelle da scoprire. In particolare, stanno cercando particelle non incluse nel Modello Standard della fisica delle particelle, la nostra attuale comprensione della composizione dell'universo che gli scienziati sospettano sia incompleta.



    Nell’ambito della collaborazione ATLAS, gli scienziati dell’Argonne National Laboratory del Dipartimento dell’Energia degli Stati Uniti (DOE) e i loro colleghi hanno recentemente utilizzato un approccio di apprendimento automatico chiamato rilevamento delle anomalie per analizzare grandi volumi di dati ATLAS. Il metodo non è mai stato applicato prima ai dati di un esperimento con un collisore. Ha il potenziale per migliorare l'efficienza della ricerca di qualcosa di nuovo da parte della collaborazione. La collaborazione coinvolge scienziati di 172 organizzazioni di ricerca.

    Il team ha sfruttato un tipo di algoritmo di apprendimento automatico ispirato al cervello chiamato rete neurale per cercare nei dati caratteristiche o anomalie anomale. La tecnica si discosta dai metodi più tradizionali di ricerca di nuova fisica. È indipendente e quindi non vincolato dai preconcetti degli scienziati.

    Tradizionalmente, gli scienziati di ATLAS si sono affidati a modelli teorici per guidare i loro esperimenti e le loro analisi nelle direzioni più promettenti per la scoperta. Ciò spesso comporta l'esecuzione di complesse simulazioni al computer per determinare come apparirebbero determinati aspetti dei dati di collisione secondo il modello standard.

    Gli scienziati confrontano queste previsioni del Modello standard con i dati reali di ATLAS. Li confrontano anche con le previsioni fatte da nuovi modelli fisici, come quelli che tentano di spiegare la materia oscura e altri fenomeni non spiegati dal Modello Standard.

    Ma finora non sono state osservate deviazioni dal modello standard nei miliardi di miliardi di collisioni registrate su ATLAS. E dalla scoperta del bosone di Higgs nel 2012, l'esperimento ATLAS non ha ancora trovato nuove particelle.

    "Il rilevamento delle anomalie è un modo molto diverso di affrontare questa ricerca", ha affermato Sergei Chekanov, fisico della divisione di fisica delle alte energie dell'Argonne e autore principale dello studio. "Piuttosto che cercare deviazioni molto specifiche, l'obiettivo è trovare firme insolite nei dati che sono completamente inesplorati e che potrebbero apparire diversi da quanto previsto dalle nostre teorie."

    Per eseguire questo tipo di analisi, gli scienziati hanno rappresentato ciascuna interazione delle particelle nei dati come un’immagine che assomiglia a un codice QR. Quindi, il team ha addestrato la propria rete neurale esponendola all'1% delle immagini.

    Visualizzazione degli eventi ATLAS per uno degli otto eventi che contribuiscono alla più ampia deviazione dalle previsioni del Modello Standard riscontrata dalla rete neurale in questo studio. Credito:CERN

    La rete è composta da circa 2 milioni di nodi interconnessi, che sono analoghi ai neuroni del cervello. Senza guida o intervento umano, ha identificato e ricordato le correlazioni tra i pixel nelle immagini che caratterizzano le interazioni del Modello Standard. In altre parole, ha imparato a riconoscere gli eventi tipici che rientrano nelle previsioni del Modello Standard.

    Dopo l'addestramento, gli scienziati hanno alimentato il restante 99% delle immagini attraverso la rete neurale per rilevare eventuali anomalie. Quando viene fornita un'immagine come input, la rete neurale ha il compito di ricreare l'immagine utilizzando la sua comprensione dei dati nel loro complesso.

    "Se la rete neurale incontra qualcosa di nuovo o insolito, si confonde e ha difficoltà a ricostruire l'immagine", ha detto Chekanov. "Se c'è una grande differenza tra l'immagine in input e l'output che produce, ci fa sapere che potrebbe esserci qualcosa di interessante da esplorare in quella direzione."

    Utilizzando le risorse computazionali presso il Laboratory Computing Resource Center di Argonne, la rete neurale ha analizzato circa 160 milioni di eventi all'interno dei dati Run-2 dell'LHC raccolti dal 2015 al 2018.

    Sebbene la rete neurale non abbia trovato alcun segno evidente di nuova fisica in questo set di dati, ha individuato un'anomalia che gli scienziati ritengono meriti ulteriori studi. Il decadimento di una particella esotica a un'energia di circa 4,8 teraelettronvolt risulta in un muone (un tipo di particella fondamentale) e un getto di altre particelle in un modo che non si adatta alla comprensione della rete neurale delle interazioni del Modello Standard.

    "Dovremo fare più indagini", ha detto Chekanov. "Si tratta probabilmente di una fluttuazione statistica, ma c'è la possibilità che questo decadimento possa indicare l'esistenza di una particella da scoprire."

    Il team prevede di applicare questa tecnica ai dati raccolti durante il periodo Run-3 dell'LHC, iniziato nel 2022. Gli scienziati di ATLAS continueranno a esplorare il potenziale dell'apprendimento automatico e del rilevamento di anomalie come strumenti per tracciare territori sconosciuti nella fisica delle particelle.

    L'articolo è pubblicato sulla rivista Physical Review Letters .

    Ulteriori informazioni: G. Aad et al, Ricerca di nuovi fenomeni nelle distribuzioni di massa invarianti a due corpi utilizzando l'apprendimento automatico non supervisionato per il rilevamento di anomalie a s =13 TeV con il rilevatore ATLAS, Lettere di revisione fisica (2024). DOI:10.1103/PhysRevLett.132.081801

    Informazioni sul giornale: Lettere di revisione fisica

    Fornito dal Laboratorio nazionale Argonne




    © Scienza https://it.scienceaq.com