NAE, Statistically

Am Large Hadron Collider, einer gewaltigen Maschine, die unter der Grenze zwischen Frankreich und der Schweiz vergraben liegt, lassen Physiker Protonen mit nahezu Lichtgeschwindigkeit zusammenstoßen. Das Ziel ist es, Anzeichen einer neuen, unbekannten Physik zu finden, die vielleicht die tiefsten Geheimnisse des Universums erklären kann. Jahrzehntelang bestand die Strategie darin, zu raten, wie ein neues Teilchen aussehen könnte, ein Computermodell dieser Vermutung zu erstellen und dann in den Kollisionsdaten danach zu suchen. Aber was, wenn die neue Physik ganz anders aussieht als unsere Vermutungen? Was, wenn sie auf eine Weise verborgen ist, die wir uns nicht vorgestellt haben? In den letzten Jahren haben Wissenschaftler künstliche Intelligenz herangezogen, um als Wegweiser zu fungieren. Anstatt nach einem spezifischen Ziel zu suchen, lernen diese Computerprogramme, was „normal“ ist, basierend auf der überwältigenden Mehrheit der Daten, und markieren dann alles, was seltsam oder ungewöhnlich erscheint. Dieser Ansatz ist leistungsstark, hat aber einen entscheidenden Mangel: Der Computer gibt zwar einen Wert an, der besagt, dass etwas merkwürdig ist, kann dem Physiker aber nicht sagen, wie sehr er diesem Wert vertrauen kann. Ohne eine Möglichkeit, die Zuverlässigkeit des Ergebnisses zu messen, bleibt die Suche wissenschaftlich unvollständig.

Ein Forscherteam der Universität Heidelberg hat eine neue Methode entwickelt, um dieses Problem zu lösen. Sie haben ein System geschaffen, das nicht nur die ungewöhnlichen Ereignisse erkennt, sondern auch die statistische Gewissheit seiner eigenen Beurteilung berechnet. Der Kern ihrer Arbeit umfasst eine Art neuronales Netzwerk, einen sogenannten Autoencoder. Stellen Sie sich eine Maschine vor, die versucht, ein komplexes Bild in eine kleine Zusammenfassung zu komprimieren und das Bild anschließend aus dieser Zusammenfassung wieder zu rekonstruieren. Wenn die Maschine nur mit normalen Daten trainiert wird, wird sie sehr gut darin, normale Dinge wieder aufzubauen. Wenn sie etwas Seltsames sieht, scheitert sie daran, es korrekt zu rekonstruieren, und der Fehler in der Rekonstruktion wird zu einem Signal dafür, dass etwas Neues vorliegt. Die Forscher erkannten jedoch, dass die bloße Messung dieses Fehlers nicht ausreichte. Sie mussten diesen Fehler mit einer Wahrscheinlichkeit verknüpfen – einer mathematischen Methode, um zu sagen, wie wahrscheinlich es ist, dass ein Ereignis zur „normalen Menge“ gehört.

Um dies zu lösen, führte das Team eine „normalisierte“ Version des Autoencoders ein. Dieses System behandelt den Rekonstruktionsfehler nicht nur als einen Fehler, sondern als ein Maß für Energie, wobei niedrige Energie bedeutet, dass das Ereignis normal ist und hohe Energie bedeutet, dass es selten ist. Durch das sorgfältige Training des Netzwerks, um die gesamte Landschaft der Möglichkeiten zu verstehen, stellten sie sicher, dass der Energiewert direkt einer Wahrscheinlichkeit entspricht. Das bedeutet, der Computer kann nun sagen: „Dieses Ereignis ist zu 99 % wahrscheinlich normal“ oder „Dieses Ereignis ist höchst ungewöhnlich“. Um dies noch robuster zu machen, fügten sie eine Ebene der Unsicherheit in das System ein. Indem sie die internen Einstellungen des Netzwerks während des Trainings leicht variieren ließen, lernt das System nicht nur eine einzige Antwort, sondern einen Bereich möglicher Antworten. Dies gibt den Wissenschaftlern einen eingebauten Fehlerbalken, der ihnen zeigt, wie sicher sich der Computer bei seiner Einschätzung ist.

Die Forscher testeten diese Idee zuerst an einem einfachen, zweidimensionalen Modell, bei dem sie die richtige Antwort bereits kannten. Sie fanden heraus, dass das System die wahre Verteilung der Daten erfolgreich erlernte und die häufigsten Bereiche sowie die seltenen Ränder präzise identifizierte. Als sie die Unsicherheitseigenschaft hinzufügten, identifizierte das System korrekt, dass es sich bei den Datenpunkten fernab des Zentrums weniger sicher war, wo es weniger Beispiele gesehen hatte. Das Vertrauen des Computers entsprach der Realität der Daten: Er war sich im dicht besiedelten Zentrum sehr sicher und angemessen vorsichtig in den leeren Ecken. Sie testeten auch eine Methode, bei der zwei dieser Systeme auf unterschiedlichen Arten von Daten trainiert und miteinander verglichen wurden. Dieser duale Aufbau ermöglichte es ihnen, das Verhältnis der Wahrscheinlichkeiten zwischen zwei verschiedenen Szenarien zu berechnen, was effektiv eine komplexere, überwachte Suche imitierte, ohne die Antwort im Voraus kennen zu müssen.

Ermutigt durch diese Ergebnisse, wandte das Team seine Methode auf reale Daten vom Large Hadron Collider an. Sie verwendeten einen Datensatz von „Jets“, das sind Teilchenschauer, die entstehen, wenn Quarks oder Gluonen bei einer Kollision herausgeschlagen werden. Speziell suchten sie nach Top-Quark-Jets, die in einem Meer aus gewöhnlichen Quantenchromodynamik-Jets verborgen sind. In diesem hochriskanten Umfeld zeigte das System beeindruckende Leistungen. Es konnte die seltenen Top-Quark-Jets erfolgreich von dem häufigen Hintergrund unterscheiden, und die Unsicherheitsschätzungen lieferten ein klares Bild der Zuverlässigkeit des Systems. Die Forscher fanden heraus, dass die vom Computer erlernten Energiedifferenzen eng mit den Ergebnissen eines traditionellen, überwachten Klassifikators übereinstimmten, welcher der Goldstandard für diese Suchen ist. Dies bestätigte, dass die neue Methode nicht bloß rät, sondern die zugrunde liegende Physik der Daten lernt.

Die Studie zeigte auch, dass sich das System unterschiedlich verhält, je nachdem, wonach es sucht. Wenn es darauf trainiert wurde, Top-Quarks zu finden, war das System sehr konsistent. Wenn es darauf trainiert wurde, gewöhnliche Jets unter Top-Quarks zu finden, war die Unsicherheit höher, was die größere Schwierigkeit der Aufgabe widerspiegelte. Dies ist eine entscheidende Erkenntnis, da sie zeigt, dass das System ehrlich über seine Grenzen ist. Die Forscher demonstrierten, dass sie durch die Anpassung eines spezifischen Parameters im Trainingsprozess die Energiewerte des Systems mit den bekannten Wahrscheinlichkeiten eines überwachten Klassifikators in Einklang bringen konnten. Diese Abstimmung deutet darauf hin, dass die Methode so feinjustiert werden kann, dass sie selbst im komplexen, hochdimensionalen Raum realer Teilchenkollisionen effektiv arbeitet.

Letztendlich schließt diese Arbeit eine kritische Lücke zwischen der rohen Kraft der künstlichen Intelligenz und den strengen Anforderungen der statistischen Physik. Sie verwandelt die Anomalieerkennung von einer Black Box, die einen mysteriösen Score produziert, in ein transparentes Werkzeug, das eine Wahrscheinlichkeit und ein Maß an Vertrauen liefert. Indem sie bewiesen haben, dass diese Netzwerke die wahre Wahrscheinlichkeit von Ereignissen lernen und ihre eigene Unsicherheit quantifizieren können, haben die Forscher einen neuen, zuverlässigen Weg gesucht, das Unbekannte zu finden. Die Methode erfordert keine spezifische Theorie darüber, wie neue Physik aussehen könnte; sie lernt einfach, was normal ist, und markiert den Rest, mit einer klaren Aussage darüber, wie sicher sie sich ist. Diese Fähigkeit könnte die Art und Weise, wie Physiker die Flut an Daten vom Large Hadron Collider analysieren, grundlegend verändern, indem sie es ermöglicht, das Unerwartete mit einem Maß an statistischer Strenge aufzuspüren, die zuvor unerreichbar war.