Application of sequence learning for predicting radiation damage of the CMS electromagnetic calorimeter

Im Zentrum der modernen Physik steht das Bestreben, die grundlegenden Bausteine des Universums zu verstehen. Um dies zu erreichen, lassen Wissenschaftler Teilchen mit unglaublichen Geschwindigkeiten aufeinanderprallen und schaffen so Bedingungen, wie sie unmittelbar nach der Geburt des Kosmos herrschten. Eine der leistungsstärksten Maschinen, die für diesen Zweck gebaut wurden, ist der Large Hadron Collider, ein riesiger Ring, der unter der Grenze zwischen Frankreich und der Schweiz vergraben liegt. In dieser Maschine fungiert das Compact Muon Solenoid-Experiment als eine gigantische, ultra-sensitive Kamera, die Bilder vom Trümmerfeld dieser Hochgeschwindigkeitskollisionen macht. Ein entscheidender Teil dieser Kamera ist ein Detektor, der aus tausenden schweren, klaren Kristallen besteht. Wenn ein Teilchen auf einen dieser Kristalle trifft, setzt es einen blauen Lichtblitz frei, ganz ähnlich wie ein Stein, der über einen Teich springt und Wellen schlägt. Durch Messung der Helligkeit dieses Lichts können Physiker die Energie des Teilchens berechnen, das ihn getroffen hat. Die Umgebung innerhalb des Colliders ist jedoch extrem lebensfeindlich. Die ständige Bombardierung durch Strahlung wirkt wie ein langsames, unsichtbares Sandstrahlgebläse auf die Kristalle und trübt deren Transparenz allmählich ein. Mit der Zeit führt dieser Schaden dazu, dass die Kristalle weniger effizient bei der Lichtübertragung werden, was die Genauigkeit des gesamten Experiments gefährdet. Um den Detektor in Betrieb zu halten, müssen Wissenschaftler ständig überwachen, wie stark die Kristalle getrübt sind, und ihre Messungen entsprechend korrigieren.

In einer kürzlich durchgeführten Studie wandten sich Forscher an die künstliche Intelligenz, um das Problem der Vorhersage der Alterung dieser Kristalle zu lösen. Anstatt sich ausschließlich auf manuelle Kontrollen oder einfache statistische Vermutungen zu verlassen, wandte das Team eine hochentwickelte Form des maschinellen Lernens an, die als Sequence-to-Sequence-Modell bekannt ist. Dieser Ansatz behandelt die Geschichte der Transparenz eines Kristalls wie eine Geschichte mit Anfang, Mitte und Ende. Dem Computer wird eine lange Liste vergangener Messwerte zugeführt, die zeigt, wie sich die Klarheit des Kristalls Tag für Tag änderte, während der Collider lief und dann wieder stoppte. Das System lernt, Muster in diesen Daten zu erkennen, wie etwa, wie die Kristalle während Phasen intensiver Kollisionen schnell nachdunkeln und wie sie in ruhigen Zeiten, wenn die Maschine nicht läuft, langsam ihre Klarheit zurückgewinnen. Das Ziel war es, dem Computer beizubringen, diese Geschichte zu lesen und dann das nächste Kapitel zu schreiben – also vorherzusagen, wie sich der Kristall in der Zukunft verhalten würde.

Die Forscher testeten diese Methode anhand von Realdaten, die zwischen 2016 und 2018 im Collider gesammelt wurden. Sie konzentrierten sich auf spezifische Kristalle innerhalb des Detektors, speisten den Computer mit einem Fenster vergangener Kalibrierungswerte und baten ihn, die Transparenz für die kommenden Tage zu prognostizieren. Die Ergebnisse waren vielversprechend. Das Modell der künstlichen Intelligenz konnte den Anstieg und Abfall der Klarheit der Kristalle erfolgreich verfolgen und stimmte mit hoher Genauigkeit mit den tatsächlichen Messungen überein. Für die analysierten Kristalle zeigten die Vorhersagen einen mittleren absoluten prozentualen Fehler von etwa 18 % bis 26 %, während der absolute Fehler in einem handhabbaren Bereich blieb. Das Modell erwies sich als besonders gut bei kurzfristigen Prognosen und erfasste die unmittelbaren Auswirkungen der Strahlungsschäden sowie die anschließende Erholung. Dies deutet darauf hin, dass solche Systeme zu einem zuverlässigen Werkzeug für die Wissenschaftler werden könnten, die das Experiment leiten, indem sie es ihnen ermöglichen, Schäden vorherzusehen, bevor diese ihre Daten signifikant beeinflussen.

Die Studie untersuchte auch frühere Versuche, dasselbe Problem mithilfe von maschinellem Lernen zu lösen. Die Forscher entdeckten, dass eine frühere Studie einen seltsamen Leistungseinbruch bei bestimmten Datenintervallen gemeldet hatte, der anfangs wie eine überraschende wissenschaftliche Anomalie aussah. Bei der erneuten Untersuchung des Codes, der in jener früheren Arbeit verwendet wurde, fand das Team einen einfachen Programmierfehler, der die irreführenden Ergebnisse verursacht hatte. Sobald dieser Bug behoben wurde, wurde die Leistung des vorherigen Modells wesentlich konsistenter, erreichte jedoch dennoch nicht die Stabilität des neuen Sequence-to-Sequence-Ansatzes. Das neue Modell behielt ein stetiges Genauigkeitsniveau bei, unabhängig davon, wie viele vergangenen Daten verwendet wurden, was eine robustere Fähigkeit zur Generalisierung und zur Vorhersage zukünftigen Verhaltens zeigte.

Diese Arbeit demonstriert, dass Deep Learning in der Lage ist, die komplexe, zeitabhängige Alterung von Detektormaterialien effektiv zu modellieren. Durch die genaue Vorhersage, wie die Kristalle degradieren und sich erholen, bietet die Methode einen Weg, die verwendeten Kalibrierungsstrategien des Experiments zu verfeinern. Dies ist nicht nur eine theoretische Übung; es hat praktischen Wert für die Tausenden von Wissenschaftlern, die auf das Compact Muon Solenoid angewiesen sind, um präzise Messungen des Universums vorzunehmen. Wenn die Sensoren des Detektors getrübt und nicht korrigiert sind, werden die gesammelten Daten unzuverlässig. Durch den Einsatz dieser prädiktiven Werkzeuge kann die Kollaboration sicherstellen, dass die Messungen scharf und genau bleiben, selbst während die Maschine in einer der strahlungsreichsten Umgebungen der Erde weiterarbeitet. Die Forscher planen, diese Arbeit auszuweiten, um mehr Kristalle einzubeziehen und noch fortschrittlichere Lernstrategien zu erforschen, mit dem Ziel, ein System zu bauen, das den gesamten Detektor gleichzeitig verarbeiten kann. Vorerst bietet der Erfolg dieses Ansatzes eine solide Grundlage, um die leistungsstärkste Partikel-Kamera der Welt in perfektem Fokus zu halten.