นักวิทยาศาสตร์ใช้โครงข่ายประสาทเทียม ซึ่งเป็นอัลกอริธึมการเรียนรู้ของเครื่องที่ได้รับแรงบันดาลใจจากสมอง เพื่อกรองข้อมูลการชนกันของอนุภาคปริมาณมาก นักฟิสิกส์อนุภาคได้รับมอบหมายให้ขุดข้อมูลการชนกันจำนวนมหาศาลและเพิ่มขึ้นเรื่อยๆ เพื่อเป็นหลักฐานของอนุภาคที่ยังไม่ถูกค้นพบ โดยเฉพาะอย่างยิ่ง พวกเขากำลังค้นหาอนุภาคที่ไม่รวมอยู่ในแบบจำลองมาตรฐานของฟิสิกส์อนุภาค ซึ่งเป็นความเข้าใจในปัจจุบันของเราเกี่ยวกับองค์ประกอบของจักรวาลที่นักวิทยาศาสตร์สงสัยว่ายังไม่สมบูรณ์
ในฐานะที่เป็นส่วนหนึ่งของความร่วมมือ ATLAS นักวิทยาศาสตร์จากห้องปฏิบัติการแห่งชาติ Argonne ของกระทรวงพลังงานสหรัฐฯ (DOE) และเพื่อนร่วมงานได้ใช้วิธีการเรียนรู้ของเครื่องที่เรียกว่าการตรวจจับความผิดปกติ เพื่อวิเคราะห์ข้อมูล ATLAS จำนวนมาก ไม่เคยใช้วิธีนี้กับข้อมูลจากการทดลองคอลไลเดอร์มาก่อน มีศักยภาพในการปรับปรุงประสิทธิภาพของการทำงานร่วมกันในการค้นหาสิ่งใหม่ ๆ ความร่วมมือนี้เกี่ยวข้องกับนักวิทยาศาสตร์จากองค์กรวิจัย 172 องค์กร
ทีมงานใช้ประโยชน์จากอัลกอริธึมการเรียนรู้ของเครื่องที่ได้รับแรงบันดาลใจจากสมองที่เรียกว่าโครงข่ายประสาทเทียม เพื่อค้นหาข้อมูลสำหรับคุณสมบัติที่ผิดปกติหรือความผิดปกติ เทคนิคนี้แตกต่างจากวิธีการดั้งเดิมในการค้นหาฟิสิกส์ใหม่ มันเป็นอิสระจาก—และดังนั้นจึงไม่ถูกจำกัดโดย—อคติของนักวิทยาศาสตร์
ตามเนื้อผ้า นักวิทยาศาสตร์ของ ATLAS อาศัยแบบจำลองทางทฤษฎีเพื่อช่วยชี้แนะการทดลองและการวิเคราะห์ในทิศทางที่มีแนวโน้มที่จะค้นพบมากที่สุด ซึ่งมักเกี่ยวข้องกับการจำลองด้วยคอมพิวเตอร์ที่ซับซ้อนเพื่อกำหนดว่าข้อมูลการชนกันจะมีลักษณะอย่างไรตามแบบจำลองมาตรฐาน
นักวิทยาศาสตร์เปรียบเทียบการคาดการณ์แบบจำลองมาตรฐานเหล่านี้กับข้อมูลจริงจาก ATLAS พวกเขายังเปรียบเทียบมันกับการทำนายที่สร้างโดยแบบจำลองฟิสิกส์ใหม่ เช่น การพยายามอธิบายสสารมืดและปรากฏการณ์อื่น ๆ ที่แบบจำลองมาตรฐานไม่สามารถระบุได้
แต่จนถึงขณะนี้ ยังไม่มีการเบี่ยงเบนไปจากแบบจำลองมาตรฐานในการชนกันหลายพันล้านครั้งที่บันทึกไว้ที่ ATLAS และนับตั้งแต่การค้นพบฮิกส์โบซอนในปี 2012 การทดลอง ATLAS ยังไม่พบอนุภาคใหม่เลย
“การตรวจจับความผิดปกติเป็นวิธีการที่แตกต่างออกไปมากในการค้นหานี้” Sergei Chekanov นักฟิสิกส์จากแผนกฟิสิกส์พลังงานสูงของ Argonne และผู้เขียนหลักของการศึกษากล่าว “แทนที่จะมองหาความเบี่ยงเบนที่เฉพาะเจาะจง เป้าหมายคือการค้นหาลายเซ็นที่ผิดปกติในข้อมูลที่ยังไม่ได้สำรวจอย่างสมบูรณ์ และอาจดูแตกต่างจากที่ทฤษฎีของเราคาดการณ์ไว้”
ในการทำการวิเคราะห์ประเภทนี้ นักวิทยาศาสตร์ได้แสดงปฏิกิริยาโต้ตอบของอนุภาคแต่ละรายการในข้อมูลเป็นรูปภาพที่คล้ายกับโค้ด QR จากนั้น ทีมงานได้ฝึกโครงข่ายประสาทเทียมโดยเปิดเผยให้เหลือ 1% ของรูปภาพ
เครือข่ายประกอบด้วยโหนดที่เชื่อมต่อถึงกันประมาณ 2 ล้านโหนด ซึ่งคล้ายคลึงกับเซลล์ประสาทในสมอง หากไม่มีคำแนะนำหรือการแทรกแซงจากมนุษย์ ระบบจะระบุและจดจำความสัมพันธ์ระหว่างพิกเซลในรูปภาพที่แสดงถึงการโต้ตอบของโมเดลมาตรฐาน กล่าวอีกนัยหนึ่งคือ เรียนรู้ที่จะจดจำเหตุการณ์ทั่วไปที่สอดคล้องกับการคาดการณ์ของโมเดลมาตรฐาน
หลังจากการฝึกอบรม นักวิทยาศาสตร์ได้ป้อนภาพอีก 99% ผ่านทางโครงข่ายประสาทเทียมเพื่อตรวจจับความผิดปกติ เมื่อได้รับรูปภาพเป็นอินพุต โครงข่ายประสาทเทียมจะถูกมอบหมายให้สร้างรูปภาพขึ้นมาใหม่โดยใช้ความเข้าใจในข้อมูลโดยรวม
“ถ้าโครงข่ายประสาทเทียมพบกับสิ่งใหม่หรือผิดปกติ มันก็จะสับสนและมีเวลาที่ยากลำบากในการสร้างภาพขึ้นมาใหม่” เชคานอฟกล่าว “หากมีความแตกต่างอย่างมากระหว่างภาพที่นำเข้าและผลลัพธ์ที่ได้ มันจะทำให้เรารู้ว่าอาจมีสิ่งที่น่าสนใจให้สำรวจในทิศทางนั้น”
โครงข่ายประสาทเทียมวิเคราะห์เหตุการณ์ประมาณ 160 ล้านเหตุการณ์ภายในข้อมูล LHC Run-2 ที่รวบรวมตั้งแต่ปี 2015 ถึง 2018 โดยใช้ทรัพยากรการคำนวณที่ศูนย์ทรัพยากรคอมพิวเตอร์ในห้องปฏิบัติการของ Argonne
แม้ว่าโครงข่ายประสาทเทียมจะไม่พบสัญญาณที่ชัดเจนของฟิสิกส์ใหม่ในชุดข้อมูลนี้ แต่ก็พบความผิดปกติประการหนึ่งที่นักวิทยาศาสตร์คิดว่าคุ้มค่าที่จะศึกษาเพิ่มเติม การสลายตัวของอนุภาคแปลกใหม่ที่พลังงานประมาณ 4.8 เทราอิเล็กตรอนโวลต์ ส่งผลให้เกิดมิวออน (อนุภาคพื้นฐานชนิดหนึ่ง) และไอพ่นของอนุภาคอื่นๆ ในลักษณะที่ไม่สอดคล้องกับความเข้าใจของโครงข่ายประสาทเทียมเกี่ยวกับการโต้ตอบของแบบจำลองมาตรฐาน
“เราจะต้องทำการสอบสวนเพิ่มเติม” เชคานอฟกล่าว “มันน่าจะเป็นความผันผวนทางสถิติ แต่มีโอกาสที่การสลายตัวนี้จะบ่งบอกถึงการมีอยู่ของอนุภาคที่ยังไม่ถูกค้นพบ”
ทีมงานวางแผนที่จะใช้เทคนิคนี้กับข้อมูลที่รวบรวมในช่วงระยะเวลา LHC Run-3 ซึ่งเริ่มในปี 2022 นักวิทยาศาสตร์ของ ATLAS จะยังคงสำรวจศักยภาพของการเรียนรู้ของเครื่องและการตรวจจับความผิดปกติต่อไป ในฐานะเครื่องมือสำหรับการสร้างแผนภูมิอาณาเขตที่ไม่รู้จักในฟิสิกส์ของอนุภาค
บทความนี้ตีพิมพ์ในวารสาร จดหมายทางกายภาพความคิดเห็น.