Reconstructing short-lived particles using hypergraph representation learning

Im Inneren des Large Hadron Collider, einem massiven Ring aus Magneten, der unter der deutsch-französischen Grenze vergraben liegt, lassen Wissenschaftler Protonen mit nahezu Lichtgeschwindigkeit aufeinanderprallen. Diese Kollisionen erzeugen die sengende Energie der ersten Momente des Universums und bringen eine Kaskade neuer Teilchen hervor. Die meisten dieser Teilchen sind schwer und unglaublich kurzlebig und zerfallen fast augenblicklich in eine Wolke aus stabileren Trümmern. Um die fundamentalen Naturgesetze zu verstehen, müssen Physiker die ursprünglichen, flüchtigen Teilchen aus diesen Trümmern rekonstruieren, ganz ähnlich wie ein Forensiker, der versucht, die Form einer zerschlagenen Vase anhand der verstreuten Scherben abzuleiten. Die Herausforderung liegt in der schieren Anzahl der Stücke; wenn schwere Teilchen zerfallen, erzeugen sie oft bis zu 20 „Jets“ – schmale Teilchenströme, die in bestimmte Richtungen herausfliegen. Herauszufinden, welche Jets von welchem Elternteilchen stammten, ist ein Rätsel von überwältigender Komplexität, insbesondere wenn die Trümmer unsichtbare Teilchen enthalten, die im Detektor keine Spur hinterlassen.

Ein Forscherteam der Universität Manchester hat einen neuen Weg entwickelt, um dieses Rätsel zu lösen, indem es die Kollisionsdaten nicht als einfache Liste von Teilchen betrachtet, sondern als ein komplexes Geflecht von Beziehungen. Sie nennen ihre Methode HyPER. Anstatt Teilchen isoliert oder nur paarweise zu betrachten, nutzt HyPER eine mathematische Struktur namens Hypergraph, um zu verstehen, wie Gruppen von Teilchen gleichzeitig miteinander verbunden sind. In einem Standardansatz würde ein Computer versuchen, Teilchen A mit Teilchen B zu verknüpfen und dann Teilchen B mit Teilchen C, um Schritt für Schritt eine Kette aufzubauen. HyPER hingegen kann eine ganze Gruppe von Teilchen gleichzeitig betrachten und fragen: „Bilden diese drei spezifischen Teilchen zusammen ein einziges Elternteilchen?“ Dieser Perspektivwechsel ermöglicht es dem System, Muster zu erkennen, die einfachere Methoden übersehen, insbesondere bei Ereignissen, in denen die Anzahl der Teilchen sehr hoch ist.

Die Forscher testeten dieses neue System an einem speziellen Typ von Kollision, bei der ein Paar von Top-Quarks – den schwersten bekannten Elementarteilchen – vollständig in Jets zerfällt. In diesem Szenario zerfallen die zwei Top-Quarks in sechs Quarks, die sich dann in sechs Jets verwandeln, plus etwaige zusätzliche Jets, die durch die heftige Kollision selbst entstehen. Das Ziel ist es, korrekt zu identifizieren, welche drei Jets zu einem Top-Quark gehören und welche zu dem anderen. Das Team trainierte sein HyPER-Modell mit Millionen von simulierten Kollisionen und lehrte es, die korrekten Gruppierungen zu erkennen. Sie stellten es dann zwei der fortschrittlichsten bestehenden Methoden gegenüber, die heute von Physikern eingesetzt werden. Die Ergebnisse zeigten, dass HyPER in der Lage war, die Elternteilchen in 67 Prozent der Ereignisse korrekt zu rekonstruieren, womit es die anderen Methoden übertraf, die in etwa 65 Prozent bzw. 64,5 Prozent der Fälle erfolgreich waren.

Was diese Errungenschaft besonders bedeutsam macht, ist nicht nur die leichte Steigerung der Genauigkeit, sondern auch die Effizienz, mit der sie erreicht wurde. Das HyPER-Modell ist bemerkenswert klein und enthält etwa 3.450 trainierbare Parameter. Im Gegensatz dazu benötigen die konkurrierenden Modelle Millionen von Parametern, um zu funktionieren. Um dies einzuordnen: Das neue Modell enthält einen Faktor 20 weniger Parameter als eines der bestehenden Werkzeuge, liefert aber bessere Ergebnisse. Diese Effizienz ist wichtig, da es bedeutet, dass das Modell weniger wahrscheinlich „überfittet“, also die Trainingsdaten auswendig lernt, anstatt die zugrunde liegende Physik zu begreifen, und es deutlich weniger Rechenleistung benötigt. Die Forscher fanden heraus, dass HyPER selbst dann das genaueste Werkzeug blieb, wenn sie die Menge der verfügbaren Trainingsdaten reduzierten, was darauf hindeutet, dass es robust genug ist, um mit den begrenzten Datensätzen umzugehen, die oft bei seltenen physikalischen Suchen vorkommen.

Der Erfolg von HyPER öffnet die Tür zur Untersuchung noch komplexerer und seltener Ereignisse in der Teilchenphysik. Da das System darauf ausgelegt ist, Gruppen von Teilchen jeglicher Größe zu verarbeiten, könnte es schließlich dazu verwendet werden, Teilchen zu rekonstruieren, die in vier, fünf oder mehr Jets zerfallen. Während sich die aktuelle Studie auf alle-hadronische Zerfälle konzentrierte, bei denen keine Neutrinos vorhanden sind, merken die Forscher an, dass zukünftige Arbeiten darauf abzielen, die Methode auf die Rekonstruktion der Neutrino-Kinematik des Endzustands auszuweiten. Die Forscher zeigten, dass ihr Ansatz gut für den spezifischen Fall von Top-Quark-Paaren funktioniert, aber die zugrunde liegende Methode ist flexibel genug, um auf eine Vielzahl von physikalischen Prozessen angewendet zu werden. Durch die Bereitstellung einer leistungsfähigeren und effizienteren Möglichkeit, die Beziehungen zwischen Teilchen zu visualisieren, bietet HyPER ein neues Werkzeug, um tiefer in die fundamentale Struktur des Universums zu blicken und Wissenschaftlern zu helfen, das Signal neuer Physik vom Hintergrundrauschen der bekannten Welt zu unterscheiden.