Brookhaven National Laboratory Kembangkan Model Pembelajaran Mesin untuk Identifikasi Akurat Aliran Partikel dalam Tabrakan Ion Berat

·oleh Henderson·AI
Brookhaven National Laboratory Kembangkan Model Pembelajaran Mesin untuk Identifikasi Akurat Aliran Partikel dalam Tabrakan Ion Berat
Poin Penting
  • Brookhaven National Laboratory mengembangkan model pembelajaran mesin yang dapat mengidentifikasi aliran partikel dengan akurat.
  • Model ini tidak memerlukan label, belajar langsung dari data simulasi, meningkatkan akurasi pengukuran.
  • Sinyal aliran tertutup oleh latar belakang partikel, mempengaruhi akurasi pengukuran.
  • Tim berencana menerapkan model ini pada data nyata dan memperluasnya ke eksperimen lain.

Para fisikawan 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 terhadap Plasma Quark-Gluon, material 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 kali pertama model "tanpa pasangan, tanpa pengawasan" digunakan dalam misi ini.

Model ini belajar langsung dari data simulasi tabrakan, tanpa bergantung pada label yang diberikan oleh para ilmuwan.

Inovasi Model Tanpa Label

Alasan mengapa aliran sulit diamati adalah karena di Relativistic Heavy Ion Collider (RHIC), ion berat bertabrakan mendekati kecepatan cahaya, secara singkat menciptakan "sup" dari quark dan gluon bebas. Aliran 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 tertutup oleh latar belakang partikel lainnya, masalah yang telah lama membatasi akurasi pengukuran aliran. Fisikawan Brookhaven dan asisten profesor di Stony Brook University, Gao Yanzhu, menyatakan, "Perbaikan pengurangan latar belakang dapat membuat pengukuran interaksi antara quark dan gluon di bawah kondisi ekstrem menjadi lebih akurat.

”

Biasanya, mengajarkan algoritma memerlukan ribuan contoh yang diberi label, seperti menandai gambar sebagai kucing atau anjing. Namun, ilmuwan komputer Brookhaven, Dmitri Torkhov, menunjukkan bahwa data eksperimen nyata tidak menyediakan kunci jawaban, sehingga metode ini tidak dapat diterapkan. Model baru ini menghilangkan kebutuhan akan label. Ia menunjukkan latar belakang murni dari Plasma dan aliran simulasi yang ideal, dan secara mandiri menyimpulkan bagaimana mengekstrak sinyal aliran sambil menghilangkan latar belakang. Gao Yanzhu membandingkannya dengan memisahkan gambar yang ramai menjadi dua bagian: aliran dan semua yang lainnya.

Tim mengujinya pada data simulasi sPHENIX, detektor yang beroperasi selama tiga run terakhir di RHIC. Dalam pengujian ini, model tersebut secara lebih akurat merekonstruksi posisi, energi, dan struktur internal aliran dibandingkan dengan metode pengurangan latar belakang tradisional, terutama untuk aliran yang lebih besar, di mana fluktuasi latar belakang paling kuat. Hasil saat ini didasarkan pada data simulasi.

Prospek Aplikasi di Masa Depan

Langkah selanjutnya adalah menerapkannya pada data nyata. sPHENIX telah mengumpulkan hampir 300PB data selama operasinya, setara dengan miliaran foto smartphone. Gao Yanzhu menyatakan bahwa ini akan menjadi penggunaan pertama model semacam itu dalam fisika nuklir dan fisika partikel. Tim memperkirakan bahwa model ini akan diterapkan pada 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. Penelitian dan pengembangan yang diarahkan oleh laboratorium Brookhaven serta dukungan dari Kantor Ilmu Departemen Energi mendanai pekerjaan ini. Gao Yanzhu memuji kerjasama erat dengan ilmuwan komputer Brookhaven, menyatakan bahwa ini bukan proyek sekali jalan, dan ia merasa bersemangat tentang peluang baru untuk pembelajaran mesin dalam ilmu pengetahuan.

Potensi Pembelajaran Mesin dalam Fisika Partikel

Kemajuan di Brookhaven National Laboratory ini menunjukkan potensi pembelajaran mesin dalam penelitian fisika partikel, terutama dalam menangani data yang kompleks. Metode tradisional sering bergantung pada data berlabel yang besar, sementara pendekatan pembelajaran tanpa pengawasan dari model baru ini dapat secara efektif mengatasi batasan tersebut, memberikan kemungkinan baru untuk pengukuran akurat aliran partikel. Dengan penerapan lebih lanjut dari model ini, di masa depan dapat memberikan dampak yang mendalam pada penelitian fisika nuklir dan partikel, serta mendorong kemajuan teknologi di bidang terkait.

H
Tentang penulis
Henderson