An AI-ready, Polarized Electron-Positron Collision Dataset

Dieses Paper präsentiert eine modernisierte, KI-bereite Veröffentlichung von etwa 660.000 rekonstruierten SLD-Elektron-Positron-Kollisionsereignissen sowie neu digitalisierter interner Dokumentation, die aus Legacy-Formaten konvertiert wurde, um die Forschung sowohl in der Teilchenphysik als auch im maschinellen Lernen zu erleichtern.

Das Wesentliche

Stellen Sie sich eine riesige, hochtechnologische Bibliothek aus den 1990er Jahren vor, die die Blaupausen und Protokolle eines ganz besonderen Experiments aufbewahrt. Dieses Experiment namens SLD war wie eine „Z-Fabrik“, die Elektronen und Positronen zusammenprallen ließ, um ein Teilchen namens Z-Boson zu erzeugen. Was diese Fabrik so einzigartig machte, war, dass die Elektronenstrahlen „polarisiert“ waren – stellen Sie sich das wie kreiselnde Kreisel vor, die alle in dieselbe Richtung rotieren. Dies ermöglichte es Wissenschaftlern, Dinge mit einer unglaublichen Präzision zu messen, die andere Collider nicht erreichen konnten.

Jahrzehntelang waren die Daten aus dieser Fabrik in einem digitalen Tresor eingeschlossen. Die Dateien wurden in einer alten, obskuren Sprache geschrieben (einer Mischung aus altem Fortran-Code und Binärformaten) und die „Schlüssel“, um sie zu öffnen (die ursprüngliche Software und Dokumentation), waren verloren gegangen oder verstreut worden.

Dieses Papier ist die Geschichte darüber, wie ein Team von Wissenschaftlern KI einsetzte, um in diesen Tresor einzubrechen, die antike Sprache zu übersetzen und die Türen für alle zu öffnen.

Hier ist eine Aufschlüsselung dessen, was sie getan haben, unter Verwendung einfacher Analogien:

1. Die „Zeitkapsel“-Daten

Das Team veröffentlichte etwa 660.000 rekonstruierte Ereignisse (Schnappschüsse von Teilchenkollisionen) aus den Jahren 1996 bis 1998.

• Das Problem: Diese Dateien waren wie ein Kassettenband in einer Sprache, die heute niemand mehr spricht. Die ursprüngliche Software zum Lesen war verschwunden, und die Dokumentation bestand nur noch aus Stapeln von Papier in einem Archiv.
• Die KI-Lösung: Sie setzten KI-Agenten ein (speziell ein Tool namens „Claude“), die als digitale Archäologen fungierten. Die KI untersuchte die rohen Binärdaten (die 1en und 0en) und verglich sie mit bekannten physikalischen Gesetzen (wie ein Detektiv, der das Alibi eines Verdächtigen mit dem Tatort abgleicht).
  • Analogie: Stellen Sie sich vor, Sie finden eine verschlossene Box ohne Schlüssel. Anstatt sie aufzubrechen, schauen Sie sich die Kratzer auf der Box an, erraten basierend auf dem Gewicht, was darin ist, und nutzen dann einen intelligenten Assistenten, um den Code des Kombinationsschlosses herauszufinden. Die KI half ihnen, den Code zu dekonstruieren, um die Daten zu lesen.
• Das Ergebnis: Sie entwickelten ein neues Open-Source-Tool namens jazelle, das diese antiken Dateien in moderne, leicht zu verwendende Formate (wie Parquet) übersetzt, die nun jeder Data Scientist nutzen kann.

2. Die „Verlorene Bibliothek“ der Dokumentation

Zusammen mit den Daten digitalisierten sie etwa 1.190 interne Dokumente.

• Das Problem: Dies waren physische Papiere, viele davon Fotokopien von Fotokopien, mit handschriftlichen Notizen, unordentlichen Diagrammen und gemischtem, getipptem Text. Standard-Scanner scheitern oft an dieser Art von „unordentlichem“ Papier.
• Die KI-Lösung: Sie testeten vier verschiedene KI-Tools, um diese Dokumente zu lesen.
  • Analogie: Es ist, als würde man versuchen, eine handgeschriebene Rezeptkarte zu lesen, die Kaffeeflecken und Kritzeleien hat. Einige KI-Tools versuchten, die Handschrift in Text umzuwandeln, wurden aber durch die Gitternetzlinien auf dem Papier verwirrt. Andere waren gut darin, Tabellen zu lesen, scheiterten aber an mathematischen Gleichungen.
  • Sie fanden heraus, dass sie durch die Kombination der besten Tools diese unordentlichen Seiten in durchsuchbaren Text verwandeln konnten. Sie bauten sogar einen KI-„Bibliothekar“ (ein System zur Beantwortung von Fragen), der diese Dokumente lesen und spezifische Fragen beantworten kann, wie etwa: „Was war die Taktrate des Mikroprozessors, der 1995 verwendet wurde?“

3. Beweis der Funktionalität (Die „Testfahrt“)

Bevor sie die Schlüssel übergaben, musste das Team beweisen, dass die Daten korrekt sind. Sie haben nicht einfach geraten; sie führten eine „Testfahrt“ durch.

• Der Test: Sie nahmen die neu übersetzten Daten und führten exakt dieselben physikalischen Berechnungen durch, die die ursprünglichen Wissenschaftler vor 20 Jahren durchgeführt hatten.
• Das Ergebnis: Die Zahlen stimmten überein. Sie rekonstruierten erfolgreich die berühmten Messungen des „schwachen Mischungswinkels“ (eine fundamentale Eigenschaft des Universums) unter Verwendung der neuen Daten. Dies bewies, dass die KI-Übersetzung nichts kaputt gemacht hat; sie hat die Daten lediglich wieder lesbar gemacht.

4. Warum dies für die KI-Forschung wichtig ist

Das Papier hebt hervor, dass dieser Datensatz ein einzigartiger Trainingsgrund für moderne Künstliche Intelligenz ist.

• Die Lücke: Die meisten KI-Modelle in der Physik werden mit Proton-Proton-Kollisionen trainiert (wie am Large Hadron Collider), die chaotisch und unordentlich sind.
• Der SLD-Unterschied: Die SLD-Daten sind „sauber“ und die Ausgangsbedingungen sind perfekt bekannt.
• Das „Neue Terrain“: Die Forscher testeten ein modernes KI-Modell (genannt OmniLearned) auf diesen Daten. Sie fanden heraus, dass die SLD-Daten in einem völlig anderen „Nachbarschaft“ (Latent Space) im Gehirn der KI liegen als andere Datensätze.
  • Analogie: Wenn man einen Hund darauf trainiert, einen Ball im Park zu apportieren, könnte er verwirrt sein, wenn man ihn plötzlich bittet, einen Ball in einem Swimmingpool zu apportieren. Dieser Datensatz ist der „Swimmingpool“, den aktuelle KI-Modelle noch nie gesehen haben. Indem das Team diese Daten veröffentlicht, gibt es KI-Forschern eine neue, einzigartige Umgebung zum Lernen, was helfen kann, bessere, vielseitigere Modelle zu bauen.

Zusammenfassung

Kurz gesagt geht es in diesem Papier darum, einen verlorenen wissenschaftlichen Schatz wiederzubeleben. Das Team nutzte KI, um antike, unlesbare Daten und unordentliche Papiernotizen in ein modernes, nutzbares Format zu übersetzen. Sie bewiesen, dass die Übersetzung korrekt ist, indem sie alte physikalische Experimente erneut durchführten, und zeigten, dass diese einzigartigen Daten einen frischen, sauberen Spielplatz für das Training der nächsten Generation von KI-Modellen in der Teilchenphysik bieten.

Technische Zusammenfassung

Technisches Resümee: Ein KI-bereiter, polarisierter Elektron-Positron-Kollisionsdatensatz

Problemstellung
Trotz der dauerhaften physikalischen Bedeutung des SLD-Experiments am SLAC Linear Collider (SLC) blieben dessen rekonstruierte Daten aus dem Zeitraum 1996–1998 (etwa 660.000 Ereignisse) für moderne Analysetools unzugänglich. Die Daten existierten in veralteten „Jazelle“-Binärformaten, die durch Software dechiffriert wurden, welche in Mortran (einer Fortran-Erweiterung) geschrieben wurde und auf modernen Systemen nicht mehr betriebsfähig ist. Zudem bedeutete das proprietäre und schlecht dokumentierte Ökosystem, dass kritische Datenstrukturen, wie etwa die Bank der Elektronenstrahl-Polarisation pro Ereignis (PHBH), effektiv verloren gingen. Diese Unzugänglichkeit stellt einen Flaschenhals für das maschinelle Lernen (ML) in der Teilchenphysik dar, das sich derzeit stark auf Proton-Proton-Kollisionsdaten (LHC) stützt und einen Mangel an diversen, hochwertigen Datensätzen aus dem $e^+e^-$-Regime aufweist, insbesondere solchen mit bekannter Initialzustands-Polarisation. Darüber hinaus liegt das für die Interpretation dieser Legacy-Datensätze erforderliche institutionelle Wissen in physischen internen Notizen vor, die nie digitalisiert wurden.

Methodik
Die Autoren führten eine zweigleisige Modernisierungsbemühung durch, die aus Datenrekonstruktion und Dokumentationsdigitalisierung bestand:

1. Datenrekonstruktion und Übersetzung:

   • Reverse Engineering: Das Team hat das binäre Jazelle-Format mithilfe von KI-Unterstützung (speziell Anthropics Claude) mittels Reverse Engineering rekonstruiert. Sie kombinierten teilweise vorhandene Legacy-Dokumentation mit „physikalischer Grundwahrheit“ (z. B. kinematischen Randbedingungen von $Z \to q\bar{q}$-Zerfällen), um Kandidaten für Feldpositionen und Datentypen innerhalb der Binärbänke zu identifizieren.
   • Das jazelle-Toolkit: Ein Open-Source-Python-Paket wurde entwickelt, um die Legacy-Binärdateien zu lesen und Awkward-Record-Arrays auszugeben. Diese werden in moderne, spaltenorientierte Formate (Parquet, HDF5, Feather) serialisiert.
   • Umfang: Die Veröffentlichung deckt die Läufe von 1996–1998 ab. Sie umfasst Ereignis-Header, Strahlinformationen (einschließlich Polarisation), geladene Spuren, Kalorimeter-Cluster, Teilchenidentifikations-Subsysteme und relationale Tabellen. Es werden Standard-Datenqualitätsanforderungen angewendet, jedoch keine spezifische Kanal-Selektion vorgenommen.

2. Dokumentationsdigitalisierung und KI-Bereitschaft:

   • Korpus: Etwa 1.190 interne SLD/SLC-Notizen (meist aus den Jahren 1980–1988) wurden aus physischen Archiven gescannt.
   • Extraktions-Pipeline: Vier Werkzeuge wurden zur Textextraktion evaluiert: Marker, Docling, Nougat (Open-Weight-Modelle) und die Azure AI Document Intelligence API. Die Pipeline verarbeitet heterogene Eingaben, einschließlich getippter Notizen, Fotokopien, handgezeichneter Figuren und komplexer Tabellen.
   • Agentischer Workflow: Der extrahierte Text wurde mittels hybrider Retrieval-Methoden (dichte Embeddings + Stichwortsuche) indiziert. Ein agentisches Frage-Antwort-System wurde aufgebaut, um die Nützlichkeit des Korpus zu demonstrieren, wobei ein Model Context Protocol (MCP) Server für iteratives Retrieval und Reasoning genutzt wurde.

Kernergebnisse

• Physikalische Validierung: Die Autoren reproduzierten kanonische SLD-Messungen am translatierte Datensatz, um die interne Konsistenz zu validieren:
  • Kinematische Verteilungen: Rekonstruierte sichtbare Massenspektren und Ereignisform-Variablen ($\tau$) entsprachen der erwarteten $Z$-Pol-Physik (z. B. Back-to-Back Zwei-Jet-Topologie).
  • Asymmetrie-Messungen: Die Links-Rechts-Querschnittsasymmetrie ($A_{LR}$) und die leptonischen Kopplungsasymmetrien ($A_\ell$) wurden über Ereigniszählungen extrahiert. Der abgeleitete effektive schwache Mischungswinkel ($\sin^2 \theta_{eff}^W = 0.23144 \pm 0.00044$ aus $A_{LR}$) stimmt mit veröffentlichten Werten überein, was bestätigt, dass der Datensatz polarisationssensitive Inhalte bewahrt.
  • Einschränkungen: Die Autoren merken an, dass sich die rohen $A_{LR}$-Werte leicht von den veröffentlichten Ergebnissen unterscheiden, da der freigegebene Datensatz die spezifische elektroschwache Korrektursoftware (ZFITTER) vermissen lässt, die in der ursprünglichen Analyse verwendet wurde. Ähnlich zeigen die leptonischen Kanalzahlen geringfügige Diskrepanzen aufgrund der nicht verfügbaren ursprünglichen Selektionssoftware.
• ML-Demonstration: Unter Verwendung des Foundation-Modells OmniLearned betetteten die Autoren SLD-Jets neben Jets von ALEPH ($e^+e^-$), H1 ($ep$) und JetClass ($pp$) ein. Eine t-SNE-Projektion zeigte, dass die SLD-Daten einen distinkten Bereich im latenten Raum einnehmen, der durch den Initialzustand und die Energieskala getrennt ist. Entscheidend ist, dass sie als die einzigen rekonstruierten Detektordaten im Vergleich ein Regime repräsentieren (polarisierte $e^+e^-$ am $Z$-Pol), das in aktuellen öffentlichen MC-Simulationen nicht erfasst wird.
• Dokumentationsleistung: Ein agentisches QA-System erreichte eine nahezu vollständige Aufgabenbewältigung (60/61 Fragen) auf einem selbst generierten Benchmark durch iteratives Umformulieren von Abfragen. Dies demonstrierte, dass der digitalisierte Korpus komplexe, mehrstufige wissenschaftliche Explorationen unterstützt und Single-Pass-RAG-Baselines übertrifft.

Bedeutung und Ansprüche
Die Arbeit behauptet, dass diese Veröffentlichung drei primäre Zwecke erfüllt:

1. Erhaltung: Sie rettet einen einzigartigen Datensatz des einzigen hochenergetischen linearen $e^+e^-$-Collider mit polarisierten Strahlen, einer Konfiguration, die in zukünftigen Collidern nicht repliziert wird.
2. ML-Benchmarking: Sie bietet eine saubere, gut verstandene Umgebung mit bekannten Initialzuständen und Polarisationen, um die dominierenden Hadronen-Collider-Datensätze in der ML-Forschung zu ergänzen. Der distinkte latente Raum der SLD-Daten bietet ein neues Testfeld für Transfer Learning und Domain-Shift-Benchmarks.
3. Potenzial für neue Physik: Der Datensatz ermöglicht neue Analysen unter Nutzung moderner ML- und theoretischer Fortschritte, die während der ursprünglichen SLD-Betriebszeit nicht möglich waren.

Die Autoren betonen, dass der Datensatz ein „getreuer Ausgangspunkt“ für Analysen ist, die fehlende Strahlungskorrekturen und systematische Behandlungen liefern, und nicht eine Neuableitung der endgültigen veröffentlichten Ergebnisse darstellt. Die Arbeit illustriert zudem ein breiteres Muster: Legacy-Datensätze mit verlorener Software können durch die Kombination von überlebender Dokumentation, physikalischen Randbedingungen und modernen KI-Werkzeugen wiederhergestellt werden.