GNN-based track reconstruction for MUonE experiment

In der weiten Landschaft der modernen Physik suchen Wissenschaftler ständig nach Rissen im Fundament ihrer erfolgreichsten Theorie, dem Standardmodell. Diese Theorie dient als Regelwerk dafür, wie das Universum auf seinen kleinsten Skalen funktioniert, lässt jedoch einige tiefgreifende Fragen unbeantwortet. Eines der beständigsten Rätsel betrifft das Myon, ein Teilchen, das dem Elektron ähnlich, aber viel schwerer ist. Über Jahrzehnte hinweg haben Experimente gemessen, wie dieses Teilchen in einem Magnetfeld schwankt, eine Eigenschaft, die als sein anomales magnetisches Moment bekannt ist. Die Messungen zeigen konsistent eine winzige, hartnäckige Abweichung von dem, was das Standardmodell vorhersagt. Diese Lücke deutet darauf hin, dass unbekannte Kräfte oder Teilchen das Myon beeinflussen könnten, was auf eine tiefere Ebene der Realität hindeutet, die darauf wartet, entdeckt zu werden. Um dies jedoch zu bestätigen, müssen Physiker den Effekt mit extremer Präzision messen, was die Berechnung eines spezifischen Beitrags erfordert, der aus der Wechselwirkung von Teilchen mit dem Vakuum des Raums resultiert. Diese Berechnung ist mit traditioneller Mathematik notorisch schwierig durchzuführen, weshalb ein neues Experiment namens MUonE vorgeschlagen wurde, um diesen Effekt direkt zu messen, indem beobachtet wird, wie Myonen von Elektronen gestreut werden.

Die Herausforderung für das MUonE-Experiment liegt nicht nur in der Physik, sondern in dem schieren Volumen an Daten, das es verarbeiten muss. Das Experiment wird einen Strahl von Myonen mit einer Rate von 40 Millionen Mal pro Sekunde auf ein Target feuern. Bei dieser Geschwindigkeit müssen die Computersysteme in einem Bruchteil einer Sekunde entscheiden, welche Kollisionen interessant sind und welche nur Hintergrundrauschen darstellen. Wenn das System zu langsam ist, wird es die seltenen Ereignisse verpassen, die neue Physik enthüllen könnten. Wenn es zu aggressiv filtert, könnte es genau die Signale wegwerfen, nach denen die Wissenschaftler suchen. Die traditionelle Art, diese Daten zu sortieren, umfasst komplexe, schrittweise Algorithmen, die versuchen, die Pfade der Teilchen aus den winzigen Signalen zusammenzusetzen, die in Siliziumsensoren hinterlassen werden. Obwohl diese Methoden genau sind, sind sie rechenintensiv und haben Schwierigkeiten, mit dem unerbittlichen Tempo des Strahls Schritt zu halten. Um dies zu lösen, wandte sich ein Team von Forschern in Polen an eine andere Art von Intelligenz: ein maschinelles Lernsystem, das darauf ausgelegt ist, wie ein Netzwerk von Verbindungen zu denken statt wie eine lineare Liste von Anweisungen.

Die Forscher entwickelten eine neue Methode unter Verwendung eines Graph Neural Network, einer Art künstlicher Intelligenz, die hervorragend darin ist, Beziehungen zwischen Objekten zu verstehen. Anstatt die Daten als ein Gitter von Zahlen oder ein Bild zu behandeln, betrachtet das System den Teilchendetektor als eine Karte aus Punkten und Linien. Jeder Punkt repräsentiert einen Ort, an dem ein Teilchen einen Sensor getroffen hat, und die Linien repräsentieren die möglichen Pfade, die diese Treffer verbinden. Die Aufgabe des Netzwerks ist es, herauszufinden, welche Linien echte Pfade sind, die von Teilchen zurückgelegt wurden, und welche nur zufällige Zusammenstöße sind. In einem traditionellen Ansatz würde der Computer vielleicht versuchen, jeden möglichen Pfad zu konstruieren und dann zu prüfen, ob er Sinn ergibt – ein Prozess, der unmöglich langsam wird, wenn die Anzahl der Teilchen steigt. Das neue System hingegen betrachtet das gesamte Geflecht von Verbindungen auf einmal und lernt, die spezifische Form eines gültigen Teilchenpfads zu erkennen.

Um diese Idee zu testen, verwendete das Team simulierte Daten, die die Bedingungen des MUonE-Experiments nachahmen, einschließlich der spezifischen Anordnung der Sensoren und des Verhaltens von Myonen und Elektronen. Sie trainierten das Netzwerk mit tausenden dieser simulierten Ereignisse und lehrten es, zwischen den wahren Pfaden der Teilchen und falschen Verbindungen zu unterscheiden. Die Ergebnisse waren beeindruckend. Das Netzwerk identifizierte die korrekten Pfade mit einer Fehlerrate von weniger als einem Prozent – ein Genauigkeitsniveau, das mit den besten traditionellen Methoden mithalten kann. Wichtiger noch: Es tat dies mit unglaublicher Geschwindigkeit. Während die alten Algorithmen etwa 3.400 Ereignisse pro Sekunde auf einem leistungsstarken Computer verarbeiten konnten, bewältigte das neue neuronale Netzwerk über 31.000 Ereignisse pro Sekunde. Dies stellt eine verzehnfache Steigerung der Geschwindigkeit dar und verwandelt einen Engpass effektiv in einen reibungslosen Fluss.

Über das bloße Finden der Pfade hinaus zeigten die Forscher auch, dass dieses System in der Lage ist, zwischen den Teilchen selbst zu unterscheiden. Da Elektronen viel leichter sind als Myonen, prallen sie bei einer Kollision in steileren Winkeln ab. Das Netzwerk lernte, diese subtilen Unterschiede in den Streuwinkeln zu erkennen, und identifizierte korrekt, ob ein Pfad zu einem Elektron oder einem Myon gehörte. Obwohl es in etwa 12 Prozent dieser Identifizierungsfälle Fehler machte, ist dieses Leistungsniveau vielversprechend für ein System, das sich noch in einem frühen Stadium befindet. Die Fähigkeit, sowohl die Pfadrekonstruktion als auch die Teilchenidentifikation gleichzeitig durchzuführen, deutet darauf an, dass dieser Ansatz mehrere separate Schritte in der Datenanalyse-Pipeline ersetzen könnte.

Die Bedeutung dieser Arbeit liegt in ihrem Potenzial, die Art und Weise zu verändern, wie Experimente der Hochenergiephysik operieren. Indem die komplexe Aufgabe der Datensortierung von der Offline-Phase, in der Wissenschaftler Ergebnisse nach Abschluss des Experiments analysieren, zur Online-Phase verschoben wird, in der Entscheidungen in Echtzeit getroffen werden, kann das MUonE-Experiment eine viel größere und sauberere Stichprobe der seltenen Ereignisse erfassen, die es benötigt. Die Forscher betonen, dass ihre Ergebnisse auf Simulationen basieren, die Methode jedoch bereit ist, mit echten Daten getestet zu werden, die während der bevorstehenden Testläufe des Experiments gesammelt werden. Wenn das System bei realen Daten ebenso gut abschneidet wie in der Simulation, könnte es die notwendige Geschwindigkeit und Präzision liefern, um das Rätsel um das Myon-Wobbeln endlich zu lösen und potenziell ein Fenster zu der neuen Physik zu öffnen, die jenseits unseres derzeitigen Verständnisses liegt.