Open Science with the LHCb Ntupling Service

Die Hochenergiephysik ist die Untersuchung der fundamentalsten Bausteine des Universums, die durch das Zusammenstoßen von Teilchen bei Geschwindigkeiten nahe der Lichtgeschwindigkeit durchgeführt wird. Diese Kollisionen erzeugen eine chaotische Wolke aus neuen Teilchen, die Detektoren in riesigen Mengen digitaler Informationen erfassen. Jahrzehntelang waren die Wissenschaftler, die diese massiven Maschinen gebaut hatten, die Einzigen, die die Daten lesen konnten, da die Dateien in komplexen, maßgeschneiderten Sprachen geschrieben waren, die spezialisierte Software zur Dekodierung erforderten. Dies schuf eine Barriere: Sobald ein Team seine offizielle Analyse abgeschlossen hatte, lagen die Rohdaten oft ungenutzt herum, unzugänglich für die breitere Welt. Das Ziel der „Open Science“ ist es, dies zu ändern und es Forschern, Studenten und interessierten Köpfen überall zu ermöglichen, diese Kollisionen erneut zu besuchen und neue Fragen zu stellen. Das bloße Veröffentlichen der Rohdateien reicht jedoch nicht aus; die Daten sind zu groß und zu kompliziert für jeden, der nicht über einen PhD in dem spezifischen Experiment verfügt. Die Herausforderung bestand darin, einen Weg zu finden, diesen Schatz an Informationen nutzbar zu machen, ohne dass jeder neue Nutzer die gesamte, komplexe Geschichte der Software des Experiments erlernen muss.

Um dies zu lösen, hat die LHCb-Kollaboration am CERN ein neues digitales Werkzeug namens „LHCb Ntupling Service“ entwickelt. Dies ist eine webbasierte Plattform, die als Brücke zwischen den massiven, komplexen Daten, die im Large Hadron Collider gespeichert sind, und den alltäglichen Werkzeugen dienen, die Wissenschaftler zu deren Analyse verwenden. Anstatt die Nutzer zu zwingen, Terabytes an rohen, unlesbaren Dateien herunterzuladen, ermöglicht der Service ihnen, genau die Informationen anzufordern, die sie benötigen. Ein Nutzer kann sich einloggen, die spezifische Art von Teilchenkollision auswählen, an der er interessiert ist, und wählen, welche Details er über diese Kollisionen sehen möchte. Das System verarbeitet die Daten dann automatisch, extrahiert nur diese spezifischen Details und organisiert sie in einem sauberen, Standardformat, das mit gängiger Analysesoftware geöffnet werden kann. Dieser Prozess, bekannt als „Ntupling“, verwandelt die Daten von einem verschlossenen Tresor in ein handliches, offenes Buch. Der Service deckt Daten aus den ersten zwei großen Läufen des Teilchenbeschleunigers ab, was über 4 Petabyte an Kollisionsgeschichte repräsentiert, und macht die Daten aus dem zweiten Lauf zum ersten Mal auf diese flexible Weise zugänglich.

Das System funktioniert, indem es eine benutzerfreundliche Website mit einem leistungsstarken Rechennetz verbindet, das weltweit über ein Computing-Grid läuft. Wenn eine Person die Seite besucht, wird sie von einer Galerie mit Beispielen begrüßt, die zeigen, wie andere das Tool genutzt haben, um Dinge wie die Masse spezifischer Teilchen zu untersuchen. Wenn sie ihre eigene Studie erstellen wollen, nutzen sie eine geführte Schnittstelle, um die Teilchen auszuwählen, die sie untersuchen möchten – wie etwa einen spezifischen Zerfallsprozess – und wählen dann die exakten Variablen aus, die sie aufzeichnen möchten, wie etwa die Geschwindigkeit oder die Richtung der Teilchen. Das System akzeptiert keinen Code oder Instruktionen, die das Netzwerk schädigen könnten; stattdessen übersetzt es die Entscheidungen des Nutzers in eine sichere, standardisierte Konfigurationsdatei. Diese Datei wird dann an ein Expertenteam gesendet, das sie überprüft, um sicherzustellen, dass sie korrekt und sicher ist. Nach der Genehmigung wird die Anfrage an das Worldwide LHC Computing Grid gesendet, wo tausende Computer zusammenarbeiten, um die Daten zu verarbeiten. Das System führt zuerst einen kleinen Test durch, um sicherzustellen, dass der Nutzer die richtigen Informationen erhält. Wenn dieser Test erfolgreich ist, kann der Nutzer einen vollständigen Durchlauf genehmigen, der den gesamten angeforderten Datensatz verarbeitet.

Das Ergebnis ist eine benutzerdefinierte Datendatei, die typischerweise von einigen hundert Megabyte bis zu einigen hundert Gigabyte reicht, welche der Nutzer direkt über das Web herunterladen kann. Diese Datei enthält nur die Informationen, nach denen der Nutzer gefragt hat, bereinigt um die unnötige Komplexität des ursprünglichen Experiments. Dieser Ansatz bietet einen signifikanten Vorteil gegenüber früheren Methoden. In der Vergangenheit mussten Teams, um Daten offen zugänglich zu machen, den gesamten Datensatz in seinem ursprünglichen, massiven Format veröffentlichen, was für den zweiten Lauf des Beschleunlers bedeutet hätte, fast 10 Petabyte an Daten auf ein öffentliches Portal zu kopieren – eine Aufgabe, die zu teuer und ressourcenintensiv gewesen wäre. Durch das Erstellen dieser maßgeschneiderten, kleineren Dateien auf Abruf hält der Service den Datenfußabdruck klein; die ersten 100 Anfragen erzeugten insgesamt nur etwa 10 Terabyte an Output. Dies macht die Daten für jeden mit einem Standardcomputer und einer Internetverbindung zugänglich und macht teure Rechencluster oder spezialisierte Ausbildung überflüssig.

Der Service ist so konzipiert, dass er intuitiv ist, selbst für Personen ohne Hintergrund in der Teilchenphysik. Er enthält detaillierte Leitfäden und Beispiele, die Nutzer durch jeden Schritt führen, von der Auswahl eines Datensatzes bis hin zur Analyse der Ergebnisse. Nutzer können direkt über die Plattform mit dem LHCb Open Data Team kommunizieren, um Fragen zu stellen oder Hilfe bei ihren spezifischen Anfragen zu erhalten. Diese Interaktion hat sich als wertvoll erwiesen; das Team erhielt positives Feedback von einer vielfältigen Gruppe von Nutzern, darunter Universitätsstudenten, Highschool-Lehrer und professionelle Forscher. Das Tool wurde bereits für eine Vielzahl von Zwecken eingesetzt, von der Untersuchung der Eigenschaften exotischer Teilchen bis hin zur Entwicklung neuer statistischer Methoden und der Vermittlung physikalischer Konzepte. Das System ist zudem mit dem CERN Open Data Portal verknüpft, wo erfolgreiche Anfragen in permanente, zitierfähige Datensätze mit eindeutigen digitalen Identifikatoren umgewandelt werden können, um sicherzustellen, dass die Daten auch für zukünftige Generationen verfügbar bleiben.

Mit Blick auf die Zukunft ist der Service darauf ausgelegt zu wachsen. Das Team plant, Daten aus 2018 einzubeziehen, die ursprünglich nicht verfügbar waren, und schließlich auch Daten von anderen Arten von Kollisionen, wie etwa jenen mit Blei-Ionen, aufzunehmen. Während die nächste Phase des Beschleunigers, Run 3, signifikante Aktualisierungen der Software erfordern wird, da sich die zugrunde liegende Datenstruktur geändert hat, stellt das aktuelle System einen wichtigen Meilenstein dar. Es hat erfolgreich demonstriert, dass es möglich ist, die komplexesten wissenschaftlichen Daten der Welt zu öffnen, ohne dass jeder Nutzer zum Experten für die interne Software des Experiments werden muss. Indem es einen klaren, geführten Pfad zu den Daten bietet, hat der LHCb Ntupling Service ein massives, statisches Archiv in eine dynamische Ressource verwandelt, die es der wissenschaftlichen Gemeinschaft ermöglicht, die Geheimnisse des Universums mit einem neuen Maß an Freiheit und Leichtigkeit zu erforschen.