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.