Brookhaven National Laboratory entwickelt ein maschinelles Lernmodell zur präzisen Identifizierung von Teilchenstrahlen in Schwerionenkollisionen

·von Henderson·AI
Brookhaven National Laboratory entwickelt ein maschinelles Lernmodell zur präzisen Identifizierung von Teilchenstrahlen in Schwerionenkollisionen

Physiker des Brookhaven National Laboratory haben ein maschinelles Lernmodell entwickelt, das automatisch Teilchenstrahlen aus der massiven Hintergrundgeräuschkulisse von Schwerionenkollisionen identifizieren kann. Dieser Fortschritt wird dazu beitragen, die Messgenauigkeit des Quark-Gluon-Plasmas zu erhöhen, das in den ersten Mikrosekunden 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 der Fachzeitschrift Science Advances. Das Labor erklärte, dass dies das erste Mal sei, dass in dieser Mission ein „unüberwachtes, nicht gepaartes“ generatives Modell verwendet wurde.

Das Modell lernt direkt aus simulierten Kollisionsdaten und ist nicht auf von Wissenschaftlern bereitgestellte Labels angewiesen.

Der Grund, warum Teilchenstrahlen schwer zu beobachten sind, liegt darin, dass Schwerionen im Relativistic Heavy Ion Collider (RHIC) nahezu mit Lichtgeschwindigkeit kollidieren und kurzzeitig eine „Suppe“ freier Quarks und Gluonen erzeugen. Teilchenstrahlen sind konzentrierte Ausbrüche hochenergetischer Teilchen und eines der besten Werkzeuge zur Untersuchung dieses Plasmas. Sie verlieren Energie und verändern ihre Struktur, während sie das Plasma durchqueren. Allerdings wird das Signal der Teilchenstrahlen von einer Vielzahl anderer Teilchen überlagert, was die Genauigkeit der Messungen über lange Zeiträume hinweg eingeschränkt hat. Die Physikerin und Assistenzprofessorin an der Stony Brook University, Yang Zhu, erklärte: „Eine Verbesserung der Hintergrundunterdrückung könnte die Messungen der Wechselwirkungen zwischen Quarks und Gluonen unter extremen Bedingungen präziser machen.

”

Das maschinelle Lernmodell des Brookhaven National Laboratory verbessert die Identifizierungsgenauigkeit von Teilchenstrahlen

Normalerweise erfordert das Trainieren von Algorithmen die Kennzeichnung von Tausenden von Beispielen, beispielsweise das Markieren von Bildern als Katze oder Hund. Brookhavens Informatiker Dmitri Torkhov jedoch wies darauf hin, dass echte experimentelle Daten keine Antwortschlüssel bieten, weshalb diese Methode nicht anwendbar ist. Das neue Modell verzichtet auf Labels. Es zeigt das reine Hintergrundrauschen des Plasmas und ideale simulierte Teilchenstrahlen und leitet selbstständig ab, wie man das Signal der Teilchenstrahlen extrahiert und gleichzeitig den Hintergrund entfernt. Yang Zhu verglich dies mit der Aufteilung eines überfüllten Bildes in zwei Teile: Teilchenstrahlen und alles andere.

Das Team testete das Modell an simulierten Daten von sPHENIX, dem Detektor, der in den letzten drei Laufzeiten des RHIC betrieben wurde. In diesen Tests rekonstruierte das Modell die Position, Energie und innere Struktur der Teilchenstrahlen genauer als herkömmliche Methoden zur Hintergrundunterdrückung, insbesondere bei größeren Teilchenstrahlen, bei denen die Hintergrundschwankungen am stärksten sind. Die aktuellen Ergebnisse basieren auf simulierten Daten.

Der nächste Schritt besteht darin, das Modell auf echte Daten anzuwenden. sPHENIX sammelte während seiner Laufzeit fast 300 PB an Daten, was mehreren Milliarden Smartphone-Fotos entspricht. Yang Zhu erklärte, dass dies das erste Mal sein wird, dass in der Kern- und Teilchenphysik ein solches Modell verwendet wird. Das Team erwartet, dass es auch für die geplanten Elektron-Ionen-Kollisionen und die Energie-Messungen am Large Hadron Collider in Europa anwendbar sein wird. Da das Modell auf ähnlichen Bilddaten von Detektoren arbeitet, glauben die Forscher, dass es auch anderen Experimenten helfen könnte, die überlappende Signale trennen müssen.

Das Projekt steht im Zusammenhang mit der ersten Phase der Genesis-Mission des Energieministeriums, die von der Baruch College geleitet wird, an der Brookhaven, Stony Brook University, Columbia University und die University of Colorado Boulder beteiligt sind. Die labororientierte Forschungs- und Entwicklungsfinanzierung von Brookhaven sowie die Unterstützung des Office of Science des Energieministeriums haben diese Arbeit ermöglicht. Yang Zhu 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.

H
Über den Autor
Henderson