科学者たちは、脳をヒントにした機械学習アルゴリズムの一種であるニューラル ネットワークを使用して、大量の粒子衝突データを選別しました。素粒子物理学者は、未発見の粒子の証拠を得るために、この膨大で増え続ける衝突データをマイニングする任務を負っています。特に、彼らは、科学者が不完全であると疑っている宇宙の構成に関する現在の理解である素粒子物理学の標準モデルに含まれていない粒子を探しています。
ATLAS 協力の一環として、米国エネルギー省 (DOE) アルゴンヌ国立研究所の科学者とその同僚は最近、異常検出と呼ばれる機械学習アプローチを使用して、大量の ATLAS データを分析しました。この方法は、これまで衝突型加速器実験のデータに適用されたことはありませんでした。それは、何か新しいものを探すコラボレーションの効率を向上させる可能性を秘めています。このコラボレーションには、172 の研究機関の科学者が参加しています。
研究チームは、ニューラル ネットワークと呼ばれる脳にヒントを得たタイプの機械学習アルゴリズムを利用して、データに異常な特徴や異常がないか検索しました。この技術は、新しい物理学を探索する従来の方法から脱却します。それは科学者の先入観から独立しており、したがって制約されません。
従来、ATLAS の科学者は、発見に最も期待できる方向に実験と分析を導くために理論モデルに依存してきました。これには、多くの場合、複雑なコンピューター シミュレーションを実行して、標準モデルに従って衝突データの特定の側面がどのように見えるかを判断することが含まれます。
科学者はこれらの標準モデルの予測を ATLAS からの実際のデータと比較します。彼らはまた、それらを、標準モデルでは説明できない暗黒物質やその他の現象を説明しようとする新しい物理モデルによる予測と比較します。
しかし、これまでのところ、ATLAS で記録された数十億回の衝突において、標準モデルからの逸脱は観察されていません。そして、2012 年にヒッグス粒子が発見されて以来、ATLAS 実験ではまだ新しい粒子は見つかっていません。
アルゴンヌ大学高エネルギー物理学部門の物理学者であり、この研究の筆頭著者であるセルゲイ・チェカノフ氏は、「異常検出は、この探索へのアプローチとは全く異なる方法である」と述べた。 「非常に具体的な逸脱を探すのではなく、完全に調査されておらず、私たちの理論が予測するものとは異なる可能性のある異常な兆候をデータ内で見つけることが目標です。」
このタイプの分析を実行するために、科学者たちはデータ内の各粒子の相互作用を QR コードに似た画像として表現しました。次に、チームはニューラル ネットワークを 1% の画像にさらしてトレーニングしました。
このネットワークは、相互接続された約 2 万個のノードで構成されており、脳のニューロンに似ています。人間の誘導や介入なしに、標準モデルの相互作用を特徴付ける画像内のピクセル間の相関関係を特定して記憶しました。言い換えれば、標準モデルの予測に適合する典型的なイベントを認識することを学習しました。
トレーニング後、科学者らは異常を検出するためにニューラル ネットワークを通じて残りの 99% の画像を入力しました。画像が入力として与えられると、ニューラル ネットワークはデータ全体の理解を使用して画像を再作成する任務を負います。
「ニューラルネットワークが何か新しいものや珍しいものに遭遇すると、混乱して画像を再構築するのに苦労します」とチェカノフ氏は言う。 「入力画像とそれが生成する出力の間に大きな違いがある場合、その方向で探求すべき興味深い何かがある可能性があることがわかります。」
アルゴンヌの研究所コンピューティング リソース センターの計算リソースを使用して、ニューラル ネットワークは、160 年から 2 年に収集された LHC Run-2015 データ内の約 2018 億 XNUMX 万件のイベントを分析しました。
ニューラル ネットワークは、このデータセットから新しい物理学の明らかな兆候を発見しませんでしたが、科学者がさらに研究する価値があると考えている異常を 4.8 つ発見しました。エキゾチック粒子は約 XNUMX テラ電子ボルトのエネルギーで崩壊し、ニューラル ネットワークの標準モデル相互作用の理解と一致しない方法でミューオン (基本粒子の一種) と他の粒子のジェットを生成します。
「さらなる調査が必要だ」とチェカノフ氏は語った。 「これは統計的な変動である可能性が高いですが、この減衰が未発見の粒子の存在を示している可能性があります。」
チームは、3 年に始まった LHC Run-2022 期間中に収集されたデータにこの技術を適用する予定です。ATLAS の科学者は、素粒子物理学の未知の領域を図示するためのツールとして、機械学習と異常検出の可能性を引き続き探索していきます。
論文は雑誌に掲載されています Physical Review Lettersに.