ИИ становится ключевым инструментом в ядерной физике, предлагая решения для сложных задач по реконструкции треков частиц, требующих больших объемов данных. Фото: SciTechDaily.com
Частицы, сталкивающиеся в ускорителях, производят многочисленные каскады вторичных частиц. У электроники, обрабатывающей сигналы, поступающие от детекторов, есть доля секунды, чтобы оценить, представляет ли событие достаточный интерес, чтобы сохранить его для последующего анализа. В ближайшем будущем эта сложная задача может быть решена с использованием алгоритмов на основе искусственного интеллекта.
Электронике никогда не было легкой жизни в ядерной физике. С БАКа, самого мощного ускорителя в мире, поступает так много данных, что записать их все никогда не было возможности. Поэтому системы, обрабатывающие волну сигналов, поступающих от детекторов, специализируются на… забывании – они за доли секунды восстанавливают треки вторичных частиц и оценивают, можно ли игнорировать только что наблюдаемое столкновение или его стоит сохранить для дальнейшего анализа. . Однако нынешние методы восстановления треков частиц вскоре перестанут быть достаточными.
ИИ в отслеживании частиц
Исследования, представленные в журнале Информатика Ученые из Института ядерной физики Польской академии наук (IFJ PAN) в Кракове, Польша, предполагают, что инструменты, созданные с использованием искусственного интеллекта, могут стать эффективной альтернативой нынешним методам быстрой реконструкции треков частиц. Их дебют может произойти в ближайшие два-три года, вероятно, в эксперименте MUonE, который поддерживает поиск новой физики.
Принцип восстановления треков вторичных частиц на основе попаданий, зафиксированных во время столкновений внутри детектора MUonE. Последующие мишени отмечены золотом, а кремниевые детекторные слои — синим. Фото: IFJ PAN.
Сложность обнаружения частиц
В современных экспериментах по физике высоких энергий частицы, расходящиеся от точки столкновения, проходят через последовательные слои детектора, отдавая в каждом немного энергии. На практике это означает, что если детектор состоит из десяти слоев и вторичная частица проходит через все из них, то ее путь приходится восстанавливать по десяти точкам. Задача только на первый взгляд проста.
«Обычно внутри детекторов существует магнитное поле. Заряженные частицы движутся в нем по изогнутым линиям, и именно так активируемые ими детекторные элементы, которые на нашем жаргоне мы называем хитами, будут расположены относительно друг друга», — объясняет профессор Марцин Кухарчик (IFJ PAN) и сразу добавляет: «В действительности так называемая заполняемость детектора, то есть количество попаданий на элемент детектора, может быть очень высокой, что вызывает множество проблем при попытке правильно восстановить треки частиц. В частности, большой проблемой является реконструкция путей, расположенных близко друг к другу».
Эксперименты, направленные на поиск новой физики, будут сталкивать частицы при более высоких энергиях, чем раньше, а это означает, что при каждом столкновении будет создаваться больше вторичных частиц. Светимость лучей также должна будет быть выше, что, в свою очередь, увеличит количество столкновений в единицу времени. В таких условиях классические методы восстановления треков частиц уже не справляются. На помощь может прийти искусственный интеллект, который превосходно справляется с задачами быстрого распознавания определенных универсальных закономерностей.
ИИ как решение
«Искусственный интеллект, который мы разработали, представляет собой нейронную сеть глубокого типа. Он состоит из входного слоя, состоящего из 20 нейронов, четырех скрытых слоев по 1000 нейронов каждый и выходного слоя с восемью нейронами. Все нейроны каждого слоя связаны со всеми нейронами соседнего слоя. Всего сеть имеет два миллиона параметров конфигурации, значения которых задаются в процессе обучения», — описывает доктор Милош Здыбал (IFJ PAN).
Подготовленная таким образом глубокая нейронная сеть была обучена с использованием 40 000 смоделированных столкновений частиц, дополненных искусственно сгенерированным шумом. На этапе тестирования в сеть передавалась только информация о попаданиях. Поскольку они были получены на основе компьютерного моделирования, исходные траектории ответственных частиц были точно известны и их можно было сравнить с реконструкциями, предоставленными искусственным интеллектом. На этой основе искусственный интеллект научился правильно восстанавливать треки частиц.
«В нашей статье мы показываем, что глубокая нейронная сеть, обученная на правильно подготовленной базе данных, способна реконструировать следы вторичных частиц так же точно, как и классические алгоритмы. Это имеет большое значение для развития методов обнаружения. Хотя обучение глубокой нейронной сети — длительный и трудоемкий процесс, обученная сеть реагирует мгновенно. Поскольку он делает это также с удовлетворительной точностью, мы можем с оптимизмом думать об использовании его в случае реальных столкновений», — подчеркивает профессор Кухарчик.
Эксперимент MUonE и физика будущего
Ближайший эксперимент, в котором искусственный интеллект от IFJ PAN имел бы шанс проявить себя, — это MUonE (MUon ON Electron упругое рассеяние). Здесь исследуется интересное несоответствие между измеренными значениями определенной физической величины, связанной с мюонами (частицами, которые примерно в 200 раз более массивны, чем электроны) и предсказаниями Стандартной модели (то есть модели, используемой для описания мира Вселенной). элементарные частицы). Измерения, проведенные в американском ускорительном центре Фермилаб, показывают, что так называемый аномальный магнитный момент мюонов отличается от предсказаний Стандартной модели с точностью до 4,2 стандартных отклонений (называемых сигмой). Между тем, в физике принято, что значение выше 5 сигм, соответствующее достоверности 99,99995%, является значением, которое считается приемлемым для объявления об открытии.
Значимость несоответствия, указывающего на новую физику, могла бы быть значительно увеличена, если бы можно было повысить точность предсказаний Стандартной модели. Однако, чтобы лучше определить с его помощью аномальный магнитный момент мюона, необходимо знать более точное значение параметра, известного как адронная поправка. К сожалению, математический расчет этого параметра невозможен. На этом этапе роль эксперимента MUonE становится ясной. В нем ученые намерены изучить рассеяние мюонов на электронах атомов с низким атомным номером, например углерода или бериллия. Результаты позволят более точно определить некоторые физические параметры, которые напрямую зависят от адронной поправки. Если все пойдет по планам физиков, определенная таким образом адронная поправка повысит уверенность в измерении расхождения между теоретической и измеренной величиной аномального магнитного момента мюона до 7 сигм – и существования доселе неизвестной физики может стать реальностью.
Эксперимент MUonE должен начаться в Европе ЦЕРН ядерный объект уже в следующем году, но целевой этап запланирован на 2027 год, когда, вероятно, у краковских физиков будет возможность увидеть, выполнит ли созданный ими искусственный интеллект свою работу по восстановлению треков частиц. Подтверждение его эффективности в условиях реального эксперимента могло бы ознаменовать начало новой эры в методах обнаружения частиц.
Ссылка: «Реконструкция событий на основе машинного обучения для эксперимента MUonE», Милош Здыбал, Марцин Кухарчик и Марцин Вольтер, 10 марта 2024 г., Информатика.
DOI: 10.7494/csci.2024.25.1.5690
Работа команды физиков IFJ PAN финансировалась за счет гранта Польского национального научного центра.