Eines der Hauptziele der Experimente mit dem Large Hadron Collider (LHC) ist die Suche nach Anzeichen für neue Teilchen, die viele der ungelösten Rätsel der Physik erklären könnten. Häufig wird bei der Suche nach neuer Physik jeweils nach einer bestimmten Art neuer Teilchen gesucht, wobei theoretische Vorhersagen als Richtwerte dienen. Aber wie sieht es mit der Suche nach nicht vorhergesagten – und unerwarteten – neuen Teilchen aus? Die Sichtung der Milliarden Kollisionen, welche in den LHC-Experimenten stattfinden, ohne genau zu wissen, wonach sie suchen sollen, wäre eine Mammutaufgabe für die Physiker. Anstatt die Daten zu sichten und nach Anomalien zu suchen, überlassen die ATLAS- und CMS-Kollaborationen diese Aufgabe der künstlichen Intelligenz (KI).
Auf der Konferenz Rencontres de Moriond präsentierten die Physiker der CMS-Kollaboration am 26. März 2024 die neuesten Ergebnisse, die durch den Einsatz verschiedener Techniken des maschinellen Lernens bei der Suche nach “Jet-Paaren” erzielt wurden. Diese Jets sind kollimierte Teilchenstrahlen, die von stark wechselwirkenden Quarks und Gluonen stammen. Sie sind besonders schwer zu analysieren, aber hinter ihnen könnten sich neue physikalische Phänomene verbergen.
Die Forscher von ATLAS und CMS verwenden mehrere Strategien, um KI-Algorithmen für die Suche nach Jets zu trainieren. Indem sie die Form ihrer komplexen Energiesignaturen untersuchen, können die Wissenschaftler feststellen, welches Teilchen den Jet erzeugt hat. Anhand echter Kollisionsdaten trainieren die Physiker beider Experimente ihre KI, um die Merkmale von Jets zu erkennen, die von bekannten Teilchen stammen. Die KI ist dann imstande, zwischen diesen Jets und atypischen Jetsignaturen zu unterscheiden, die möglicherweise auf neue Wechselwirkungen hinweisen. Diese würden sich als eine Ansammlung atypischer Jets im Datensatz zeigen.
Eine andere Methode besteht darin, den KI-Algorithmus anzuweisen, das gesamte Kollisionsereignis zu betrachten und nach untypischen Merkmalen in den verschiedenen entdeckten Teilchen zu suchen. Diese anomalen Merkmale können auf das Vorhandensein neuer Teilchen hinweisen. Diese Technik wurde in einer von ATLAS im Juli 2023 veröffentlichten Studie demonstriert, die eine der ersten Anwendungen von unbeaufsichtigtem maschinellen Lernen in einem LHC-Ergebnis darstellte. Beim CMS-Experiment besteht ein anderer Ansatz darin, dass die Physiker simulierte Beispiele für potenzielle neue Signale erstellen und dann die KI damit beauftragen, Kollisionen in den realen Daten zu identifizieren, die sich von normalen Jets unterscheiden, aber der Simulation ähneln.
In den neuesten Ergebnissen der CMS Collaboration zeigte jede KI-Trainingsmethode eine andere Empfindlichkeit gegenüber verschiedenen Arten von neuen Teilchen, und kein einzelner Algorithmus erwies sich als der beste. Das CMS-Team war in der Lage, die Produktionsrate mehrerer unterschiedlicher Teilchenarten einzugrenzen, die anomale Jets erzeugen. Die Wissenschaftler konnten auch zeigen, dass die KI-gesteuerten Algorithmen die Empfindlichkeit für ein breites Spektrum an Teilchensignaturen im Vergleich zu herkömmlichen Verfahren deutlich verbessern.
Diese Ergebnisse zeigen, wie das maschinelle Lernen die Suche nach neuer Physik revolutioniert. “Wir haben bereits Ideen, wie wir die Algorithmen weiter verbessern und sie auf verschiedene Bereiche der Daten anwenden können, um nach verschiedenen Arten von Teilchen zu suchen”, sagt Oz Amram vom CMS-Analyseteam.
(THK)
Antworten