- Brookhaven National Laboratory entwickelt ein Machine-Learning-Modell, das Teilchenstrahlen präzise identifizieren kann.
- Das Modell benötigt keine Labels und lernt direkt aus Simulationsdaten, was die Messgenauigkeit erhöht.
- Die Signale der Strahlen werden durch Hintergrundteilchen überlagert, was die Messgenauigkeit beeinträchtigt.
- Das Team plant, das Modell auf reale Daten anzuwenden und auf andere Experimente auszuweiten.
Physiker des Brookhaven National Laboratory haben ein Machine-Learning-Modell entwickelt, das automatisch Teilchenstrahlen aus einer Vielzahl von Hintergrundgeräuschen in Schwerionenkollisionen identifizieren kann. Dieser Fortschritt wird dazu beitragen, die Messgenauigkeit des Quark-Gluon-Plasmas zu erhöhen, das eine Mikrosekunde nach dem Urknall existierte. Das Team von Brookhaven arbeitete mit Forschern der Columbia University und der University of Colorado Boulder zusammen und beschrieb diese Methode in den Scientific Reports. Das Labor gab an, dass dies das erste Mal ist, dass ein "unüberwachtes, unpaariges" generatives Modell für diese Aufgabe verwendet wird.
Das Modell lernt direkt aus Simulationsdaten von Kollisionen, anstatt auf von Wissenschaftlern bereitgestellte Labels angewiesen zu sein.
Innovationen ohne Labels
Der Grund, warum Strahlen schwer zu beobachten sind, liegt darin, dass in der Relativistischen Schwerionenkollisionsmaschine (RHIC) Schwerionen nahezu mit Lichtgeschwindigkeit kollidieren und kurzzeitig ein "Bad" aus freien Quarks und Gluonen erzeugen. Strahlen sind konzentrierte Ausbrüche hochenergetischer Teilchen und eines der besten Werkzeuge zur Untersuchung dieses Plasmas. Sie verlieren Energie und verändern ihre Struktur, während sie durch das Plasma hindurchgehen. Allerdings wird das Signal der Strahlen durch eine Vielzahl anderer Teilchen überlagert, was die Messgenauigkeit der Strahlen seit langem einschränkt. Die Physikerin und Assistenzprofessorin an der Stony Brook University, Yen-Ju Kao, erklärte: "Eine Verbesserung der Hintergrundunterdrückung kann die Messungen der Wechselwirkungen zwischen Quarks und Gluonen unter extremen Bedingungen präziser machen."
”
Normalerweise erfordert das Training von Algorithmen, dass Tausende von Beispielen mit Labels versehen werden, beispielsweise Bilder, die als Katze oder Hund gekennzeichnet sind. Brookhavens Informatiker Dmitri Tolbuhin wies jedoch darauf hin, dass echte experimentelle Daten keine Antworten liefern, weshalb diese Methode nicht anwendbar ist. Das neue Modell verzichtet auf Labels. Es zeigt das reine Hintergrundplasma und ideale simulierte Strahlen und leitet selbst ab, wie man das Strahlensignal extrahiert und gleichzeitig den Hintergrund entfernt. Yen-Ju Kao verglich dies damit, ein überfülltes Bild in zwei Teile zu unterteilen: Strahlen und alles andere.
Das Team testete es mit Simulationsdaten von sPHENIX, dem Detektor, der in den letzten drei Laufzeiten der RHIC betrieben wurde. In diesen Tests rekonstruierte das Modell die Position, Energie und innere Struktur der Strahlen genauer als traditionelle Methoden zur Hintergrundunterdrückung, insbesondere bei größeren Strahlen, bei denen die Hintergrundschwankungen am stärksten sind. Die aktuellen Ergebnisse basieren auf Simulationsdaten.
Ausblick auf zukünftige Anwendungen
Der nächste Schritt besteht darin, es auf reale Daten anzuwenden. sPHENIX sammelte während seiner Laufzeit fast 300PB an Daten, was mehreren Milliarden Smartphone-Fotos entspricht. Yen-Ju Kao erklärte, dass dies das erste Mal sein wird, dass ein solches Modell in der Kern- und Teilchenphysik eingesetzt wird. Das Team erwartet, dass es auch für die geplanten Elektron-Ionen-Kollisionen und die Energiedetektion am Large Hadron Collider in Europa anwendbar sein wird. Da das Modell auf ähnlichen Bilddaten von Detektoren arbeiten kann, glauben die Forscher, dass es auch anderen Experimenten helfen könnte, die überlappende Signale trennen müssen.
Dieses Projekt steht im Zusammenhang mit der ersten Phase der Genesis-Mission des Energieministeriums, die von der Baruch College geleitet wird, und umfasst die Zusammenarbeit von Brookhaven, Stony Brook University, Columbia University und der University of Colorado Boulder. Die Forschungs- und Entwicklungsgelder des Brookhaven-Labors sowie die Unterstützung des Büros für Wissenschaft des Energieministeriums haben diese Arbeit gefördert. Yen-Ju Kao lobte die enge Zusammenarbeit mit den Informatikern von Brookhaven und betonte, dass dies kein einmaliges Projekt sei. Sie ist begeistert von den neuen Möglichkeiten des maschinellen Lernens in der Wissenschaft.
Das Potenzial von Machine Learning in der Teilchenphysik
Der Fortschritt des Brookhaven National Laboratory zeigt das Potenzial von Machine Learning in der Teilchenphysikforschung, insbesondere bei der Verarbeitung komplexer Daten. Traditionelle Methoden sind oft auf große Mengen an annotierten Daten angewiesen, während der unüberwachte Lernansatz des neuen Modells diese Einschränkung effektiv überwinden kann und neue Möglichkeiten für die präzise Messung von Teilchenstrahlen bietet. Mit der weiteren Anwendung des Modells könnten in Zukunft tiefgreifende Auswirkungen auf die Forschung in der Kern- und Teilchenphysik entstehen und technologische Fortschritte in verwandten Bereichen vorangetrieben werden.

