Naučnici su koristili neuronsku mrežu, vrstu algoritma mašinskog učenja inspirisanog mozgom, da probiju velike količine podataka o sudaru čestica. Fizičari čestica imaju zadatak da iskopaju ovu masivnu i rastuću skladište podataka o sudarima za dokaze o neotkrivenim česticama. Konkretno, oni traže čestice koje nisu uključene u Standardni model fizike čestica, naše trenutno razumevanje sastava univerzuma za koje naučnici sumnjaju da je nepotpuno.
Kao deo ATLAS saradnje, naučnici iz Nacionalne laboratorije Argonne Ministarstva energetike SAD (DOE) i njihove kolege nedavno su koristili pristup mašinskog učenja koji se zove otkrivanje anomalija za analizu velikih količina ATLAS podataka. Metoda nikada ranije nije primenjena na podatke iz eksperimenta kolajdera. Ima potencijal da poboljša efikasnost saradnje u potrazi za nečim novim. Saradnja uključuje naučnike iz 172 istraživačke organizacije.
Tim je iskoristio tip algoritma za mašinsko učenje inspirisan mozgom koji se zove neuronska mreža da pretraži podatke u potrazi za abnormalnim karakteristikama ili anomalijama. Tehnika se odvaja od tradicionalnijih metoda traženja nove fizike. Nezavisno je od predubeđenja naučnika i stoga nesputano.
Tradicionalno, naučnici ATLAS-a su se oslanjali na teorijske modele kako bi pomogli u vođenju eksperimenta i analize u pravcima koji najviše obećavaju za otkriće. Ovo često uključuje izvođenje složenih kompjuterskih simulacija kako bi se utvrdilo kako bi određeni aspekti podataka o koliziji izgledali prema Standardnom modelu.
Naučnici upoređuju ova predviđanja Standardnog modela sa stvarnim podacima iz ATLAS-a. Takođe ih upoređuju sa predviđanjima novih fizičkih modela, poput onih koji pokušavaju da objasne tamnu materiju i druge fenomene za koje Standardni model ne govori.
Ali do sada, nikakva odstupanja od Standardnog modela nisu primećena u milijardama milijardi sudara zabeleženih na ATLAS-u. A od otkrića Higsovog bozona 2012. godine, eksperiment ATLAS tek treba da pronađe nove čestice.
„Otkrivanje anomalija je veoma drugačiji način pristupa ovoj potrazi“, rekao je Sergej Čekanov, fizičar u Argonovom odeljenju za fiziku visoke energije i vodeći autor studije. „Umesto da tražimo vrlo specifična odstupanja, cilj je pronaći neobične potpise u podacima koji su potpuno neistraženi i koji mogu izgledati drugačije od onoga što naše teorije predviđaju.
Da bi izvršili ovu vrstu analize, naučnici su predstavili svaku interakciju čestica u podacima kao sliku koja podseća na KR kod. Zatim je tim trenirao svoju neuronsku mrežu izlažući je 1% slika.
Mreža se sastoji od oko 2 miliona međusobno povezanih čvorova, koji su analogni neuronima u mozgu. Bez ljudskog vođstva ili intervencije, identifikovao je i zapamtio korelacije između piksela na slikama koje karakterišu interakcije Standardnog modela. Drugim rečima, naučio je da prepozna tipične događaje koji se uklapaju u predviđanja Standardnog modela.
Nakon obuke, naučnici su nahranili ostalih 99% slika kroz neuronsku mrežu kako bi otkrili bilo kakve anomalije. Kada se dobije slika kao ulaz, neuronska mreža ima zadatak da ponovo kreira sliku koristeći svoje razumevanje podataka u celini.
„Ako neuronska mreža naiđe na nešto novo ili neobično, ona se zbuni i teško rekonstruiše sliku“, rekao je Čekanov. „Ako postoji velika razlika između ulazne slike i izlaza koju proizvodi, to nam daje do znanja da bi moglo biti nešto zanimljivo za istraživanje u tom pravcu.“
Koristeći računarske resurse u Argonovom laboratorijskom računarskom resursnom centru, neuronska mreža je analizirala oko 160 miliona događaja u okviru LHC Run-2 podataka prikupljenih od 2015. do 2018. godine.
Iako neuronska mreža nije pronašla nikakve očigledne znake nove fizike u ovom skupu podataka, uočila je jednu anomaliju za koju naučnici smatraju da je vredna daljeg proučavanja. Raspad egzotične čestice pri energiji od oko 4,8 teraelektronvolta dovodi do miona (vrsta fundamentalne čestice) i mlaza drugih čestica na način koji se ne uklapa sa razumevanjem neuronske mreže o interakcijama Standardnog modela.
„Moraćemo da sprovedemo dodatne istrage“, rekao je Čekanov. „Verovatno je to statistička fluktuacija, ali postoji šansa da bi ovo raspadanje moglo da ukaže na postojanje neotkrivene čestice.“
Tim planira da primeni ovu tehniku na podatke prikupljene tokom LHC Run-3 perioda, koji je počeo 2022. Naučnici ATLAS-a će nastaviti da istražuju potencijal mašinskog učenja i detekcije anomalija kao alata za crtanje nepoznate teritorije u fizici čestica.
Rad je objavljen u časopisu Pisma o fizičkom pregledu.
