Fisika di Brookhaven National Laboratory telah mengembangkan model pembelajaran mesin yang dapat secara otomatis mengidentifikasi aliran partikel dari latar belakang kebisingan yang besar dalam tabrakan ion berat. Kemajuan ini akan membantu meningkatkan akurasi pengukuran Quark-Gluon Plasma, materi yang ada dalam satu mikrodetik setelah Big Bang. Tim di Brookhaven bekerja sama dengan peneliti dari Columbia University dan University of Colorado Boulder untuk mendeskripsikan metode ini dalam jurnal Scientific Reports. Laboratorium menyatakan bahwa ini adalah pertama kalinya model generatif "tanpa pasangan, tanpa pengawasan" digunakan dalam misi ini.
Model ini belajar langsung dari data simulasi tabrakan, bukan bergantung pada label yang diberikan oleh ilmuwan.
Alasan mengapa aliran partikel sulit diamati adalah karena di Relativistic Heavy Ion Collider (RHIC), ion berat bertabrakan dengan kecepatan mendekati cahaya, menciptakan "sup" quark dan gluon yang bebas untuk waktu yang sangat singkat. Aliran partikel adalah semburan partikel energi tinggi yang terkonsentrasi, dan merupakan salah satu alat terbaik untuk mendeteksi Plasma tersebut. Mereka kehilangan energi dan mengubah struktur saat melewati Plasma. Namun, sinyal aliran partikel tertutupi oleh latar belakang partikel lain yang sangat banyak, masalah ini telah lama membatasi akurasi pengukuran aliran partikel. Fisikawan Brookhaven dan asisten profesor di Stony Brook University, Gao Yanzhu, menyatakan, "Perbaikan dalam pengurangan latar belakang dapat membuat pengukuran interaksi antara quark dan gluon dalam kondisi ekstrem menjadi lebih akurat.
”
Model Pembelajaran Mesin Brookhaven National Laboratory Meningkatkan Akurasi Identifikasi Aliran Partikel
Umumnya, mengajarkan algoritma memerlukan ribuan contoh yang diberi label, seperti memberi label gambar sebagai kucing atau anjing. Namun, ilmuwan komputer di Brookhaven, Dmitri Torbunov, menunjukkan bahwa data eksperimen nyata tidak menyediakan kunci jawaban, sehingga metode ini tidak dapat diterapkan. Model baru ini menghilangkan label. Ia menunjukkan latar belakang Plasma yang murni dan simulasi aliran partikel yang ideal, dan secara mandiri menyimpulkan cara untuk mengekstrak sinyal aliran partikel sambil menghilangkan latar belakang. Gao Yanzhu membandingkannya dengan memisahkan gambar yang ramai menjadi dua bagian: aliran partikel dan semua yang lainnya.
Tim menguji model ini pada data simulasi sPHENIX, detektor yang beroperasi selama tiga putaran terakhir RHIC. Dalam pengujian ini, model lebih akurat dalam merekonstruksi lokasi, energi, dan struktur internal aliran partikel dibandingkan dengan metode pengurangan latar belakang tradisional, terutama untuk aliran partikel yang lebih besar, di mana fluktuasi latar belakang paling kuat. Hasil saat ini didasarkan pada data simulasi.
Langkah selanjutnya adalah menerapkannya pada data nyata. sPHENIX telah mengumpulkan hampir 300PB data selama masa operasinya, setara dengan miliaran foto smartphone. Gao Yanzhu menyatakan bahwa ini akan menjadi penggunaan pertama model semacam ini dalam bidang fisika nuklir dan fisika partikel. Tim memperkirakan bahwa model ini akan berlaku untuk pengukuran energi di collider elektron-ion yang direncanakan dan Large Hadron Collider di Eropa. Karena model ini dapat beroperasi pada data detektor dengan gambar serupa, para peneliti menyatakan bahwa ini juga dapat membantu eksperimen lain yang memerlukan pemisahan sinyal yang tumpang tindih.
Proyek ini terkait dengan penghargaan fase pertama misi Genesis dari Departemen Energi, yang dipimpin oleh Baruch College, dengan partisipasi Brookhaven, Stony Brook University, Columbia University, dan University of Colorado Boulder. Pendanaan untuk penelitian dan pengembangan yang diarahkan oleh laboratorium Brookhaven serta dukungan dari Kantor Ilmu Departemen Energi telah mendukung pekerjaan ini. Gao Yanzhu memuji kolaborasi erat dengan ilmuwan komputer di Brookhaven, menyatakan bahwa ini bukan proyek sekali jalan, dan ia merasa bersemangat tentang peluang baru untuk pembelajaran mesin dalam sains.

