人工智能重建粒子路径带来新物理学
粒子在加速器中碰撞产生大量次级粒子级联。然后，处理从探测器传来的信号的电子设备有不到一秒的时间来评估某个事件是否值得保存以供以后分析。在不久的将来，这项艰巨的任务可能会使用基于人工智能的算法来完成，该算法的开发涉及PAS核物理研究所的科学家。
电子学在核物理领域从来都不是一帆风顺的。大型强子对撞机(LHC)是世界上最强大的加速器，它产生的数据如此之多，以至于记录所有数据从来都不是一种选择。因此，处理来自探测器的信号波的系统专门致力于……遗忘——它们在不到一秒的时间内重建次级粒子的轨迹，并评估刚刚观察到的碰撞是否可以被忽略，或者是否值得保存下来。更深入的分析。然而，当前重建粒子轨迹的方法很快将不再足够。
位于波兰克拉科夫的波兰科学院核物理研究所 (IFJ PAN) 的科学家在《计算机科学》上发表的研究表明，使用人工智能构建的工具可以有效替代当前快速重建粒子轨迹的方法。它们的首次亮相可能会在未来两到三年内出现，可能是在支持寻找新物理的 MUonE 实验中。
在现代高能物理实验中，从碰撞点发散的粒子穿过探测器的连续层，在每一层中沉积一点能量。实际上，这意味着如果探测器由十层组成并且二次粒子穿过所有这些层，则必须基于十个点来重建其路径。任务看似简单。
“探测器内部通常存在磁场。带电粒子在其中沿着曲线移动，这也是由它们激活的探测器元件(用我们的行话来说，我们称之为命中)相对于彼此定位的方式。”Marcin Kucharczyk 教授(IFJ PAN)解释道，并立即补充道：“实际上，所谓的探测器占用率，即每个探测器元件的命中次数，可能非常高，这在尝试正确重建粒子轨迹时会导致许多问题。尤其是距离较近的轨道的重建是一个很大的问题。”
旨在寻找新物理学的实验将以比以前更高的能量碰撞粒子，这意味着每次碰撞都会产生更多的次级粒子。光束的亮度也必须更高，这反过来又会增加单位时间的碰撞次数。在这种情况下，重建粒子轨迹的经典方法已经无法应对。人工智能在需要快速识别某些普遍模式的领域表现出色，可以提供救援。
“我们设计的人工智能是深度型神经网络。它由一个由 20 个神经元组成的输入层、四个由 1,000 个神经元组成的隐藏层和一个由 8 个神经元组成的输出层组成。每层的所有神经元都连接到相邻层的所有神经元。该网络总共有 200 万个配置参数，这些参数的值是在学习过程中设置的。”Milosz Zdybal 博士(IFJ PAN)描述道。
由此制备的深度神经网络使用 40,000 次模拟粒子碰撞进行训练，并辅以人工生成的噪声。在测试阶段，只有命中信息被输入网络。由于这些来自计算机模拟，因此可以准确地了解负责粒子的原始轨迹，并且可以与人工智能提供的重建进行比较。在此基础上，人工智能学会了正确重建粒子轨迹。
“在我们的论文中，我们表明，在适当准备的数据库上训练的深度神经网络能够像经典算法一样准确地重建次级粒子轨迹。这对于检测技术的发展非常重要。虽然训练深度神经网络是一个漫长且计算量大的过程，但经过训练的网络会立即做出反应。由于它的精度也令人满意，因此我们可以乐观地考虑在实际碰撞的情况下使用它，”Kucharczyk 教授强调说。
IFJ PAN 的人工智能有机会证明自己的最接近的实验是 MUonE(MUon ON Electron 弹性散射)。这检验了与 μ 子(电子质量大约 200 倍的粒子)有关的某个物理量的测量值与标准模型(即用于描述世界的模型)的预测之间的有趣差异。基本粒子)。加速器中心费米实验室进行的测量表明，所谓的μ子反常磁矩与标准模型的预测存在高达4.2个标准差(简称sigma)的确定性差异。同时，物理学界普遍认为，高于 5 sigma 的显着性(对应于 99.99995% 的确定性)是宣布一项发现可接受的值。
如果标准模型预测的精度能够提高，则表明新物理学的差异的重要性可能会显着增加。然而，为了更好地确定μ介子的反常磁矩，有必要知道称为强子校正的参数的更精确值。不幸的是，无法对该参数进行数学计算。至此，MUonE实验的作用就变得清晰起来。其中，科学家们打算研究μ子在低原子序数原子(例如碳或铍)的电子上的散射。结果将允许更精确地确定直接取决于强子校正的某些物理参数。如果一切按照物理学家的计划进行，以这种方式确定的强子校正将增加测量μ子反常磁矩的理论值和测量值之间高达7西格玛的差异的信心——以及迄今为止未知的物理学的存在可能成为现实。
MUonE 实验最早将于明年在欧洲 CERN 核设施开始，但目标阶段已计划在 2027 年，届时克拉科夫物理学家可能将有机会看看他们创造的人工智能是否能发挥作用。重建粒子轨迹的工作。在真实实验条件下确认其有效性可能标志着粒子检测技术新时代的开始。
IFJ PAN 物理学家团队的工作得到了波兰国家科学中心的资助。
版权声明：本文由用户上传，如有侵权请联系删除！