В ускорителях частиц происходят столкновения, в результате которых образуются множественные вторичные частицы. Электроника, обрабатывающая сигналы от детекторов, должна быстро определить, стоит ли сохранить событие для последующего анализа. Системы обработки данных в ядерной физике сталкиваются с огромным объемом информации, поступающей от ускорителей, что представляет серьезную техническую сложность. В ближайшем будущем использование алгоритмов на основе искусственного интеллекта может помочь в решении этой проблемы. Существующие методы восстановления треков частиц могут стать недостаточными, что подчеркивает необходимость развития новых подходов к обработке данных из ускорителей частиц.
Исследование, проведенное учеными из Института ядерной физики Польской академии наук (IFJ PAN) в Кракове, представленное в журнале Computer Science, предполагает, что инструменты, созданные с использованием искусственного интеллекта, могут стать эффективной альтернативой современным методам быстрого восстановления треков частиц. По их прогнозам, такие инструменты могут быть внедрены в ближайшие два-три года, возможно, в рамках эксперимента MUonE, который направлен на поиск новых физических явлений.
В современных экспериментах по физике высоких энергий столкновения частиц происходят в детекторах, состоящих из последовательных слоев. Каждый слой детектора регистрирует небольшую часть энергии, которую частицы теряют по мере их распространения от точки столкновения. На практике это означает, что для восстановления пути частицы, проходящей через все слои детектора, необходимо использовать информацию о ее взаимодействии в каждом из слоев. На первый взгляд, задача может показаться простой. Однако, внутри детекторов обычно присутствует магнитное поле, которое заставляет заряженные частицы двигаться по изогнутым траекториям. Это означает, что активируемые элементы детектора, которые мы называем "попаданиями", будут расположены относительно друг друга в зависимости от траектории частицы. Профессор Дж. Марчин Кухарчик (IFJ PAN) объясняет, что количество попаданий на элементы детектора может быть очень высоким, что создает множество проблем при попытке правильно восстановить треки частиц. Особенно сложной задачей является реконструкция треков, которые находятся близко друг к другу.
Искусственный интеллект может быть полезным инструментом в таких экспериментах. Он обладает способностью быстро распознавать и анализировать определенные универсальные закономерности. В отличие от классических методов, искусственный интеллект может обрабатывать большие объемы данных и выявлять скрытые связи и закономерности, которые могут быть важны для восстановления треков частиц.
Искусственный интеллект, описанный доктором Милошем Здибалом и профессором Дж. Kucharczyk, представляет собой глубокую нейронную сеть, состоящую из входного слоя с 20 нейронами, четырех скрытых слоев по 1000 нейронов в каждом и выходного слоя с восемью нейронами. Эта сеть содержит два миллиона конфигурационных параметров, значения которых устанавливаются в процессе обучения.
Для обучения нейронной сети было использовано 40 000 имитированных столкновений частиц, дополненных искусственно созданным шумом. На этапе тестирования сети предоставлялась информация только о попадании, и исходные траектории частиц были точно известны благодаря компьютерному моделированию. Искусственный интеллект научился правильно восстанавливать треки частиц на основе этой информации.
Результаты исследования показали, что глубокая нейронная сеть, обученная должным образом на подготовленной базе данных, способна восстанавливать вторичные треки частиц с такой же точностью, как классические алгоритмы. Это открытие имеет большое значение для разработки методов обнаружения. Несмотря на то, что обучение глубокой нейронной сети является длительным и требует вычислительных затрат, обученная сеть реагирует мгновенно и с высокой точностью, что позволяет рассматривать ее использование в реальных условиях столкновений с оптимизмом.
Эксперимент MUonE представляет собой важное исследование в области физики элементарных частиц, которое может привести к открытию новых физических явлений. Одним из ключевых аспектов этого эксперимента является изучение аномального магнитного момента мюонов, который отличается от предсказаний Стандартной модели физики элементарных частиц.
Искусственный интеллект, разработанный в Институте физики ядра Польской академии наук, будет использоваться для анализа данных, полученных в рамках эксперимента MUonE. Его задачей будет восстановление траекторий частиц на основе информации, полученной из эксперимента.
Результаты этого исследования могут привести к уточнению значений физических параметров, связанных с адронными поправками, что в свою очередь позволит более точно определить аномальный магнитный момент мюона. Если эксперимент подтвердит расхождение между теоретическими и измеренными значениями аномального магнитного момента мюона на уровне 7 сигм, это может указывать на существование новой физики, выходящей за пределы Стандартной модели.
Первоисточник: “Machine Learning based Event Reconstruction for the MUonE Experiment” by Miłosz Zdybał, Marcin Kucharczyk and Marcin Wolter, 10 March 2024, Computer Science.
https://journals.agh.edu.pl/csci/article/view/5690