Electron Identification using Machine Learning in the MPD Experiment at NICA

Au cœur de la matière, là où les atomes se dissolvent en une soupe de leurs plus petites briques élémentaires, réside un état d'existence qui a rempli l'univers entier quelques instants seulement après le Big Bang. Les scientifiques appellent cela le plasma quark-gluon, un fluide bouillonnant et ultra-chaud où les protons et les neutrons se désagrègent en leurs quarks et gluons constitutifs. Pour étudier cet état primordial, les chercheurs le recréent en laboratoire en faisant entrer en collision des noyaux atomiques lourds à des vitesses incroyables. Ces collisions génèrent des températures et des pressions extrêmes, formant brièvement une minuscule gouttelette de cette matière de l'univers primitif. Cependant, pour comprendre ce qui s'est passé à l'intérieur de cette gouttelette, les scientifiques doivent être capables de voir les particules spécifiques qui s'échappent de l'explosion. Parmi les messagers les plus importants se trouvent les électrons, qui transportent un signal pur des conditions à l'intérieur de la boule de feu. Mais trouver ces électrons revient à essayer de repérer une unique aiguille d'argent dans une botte de foin composée d'aiguilles d'or, car les collisions produisent des milliards d'autres particules qui leur ressemblent beaucoup.

Au complexe de collisionneurs d'ions basé sur le Nuclotron (NICA) en Russie, un nouvel instrument massif appelé le Détecteur Multi-Objectifs est en cours de construction pour capturer ces collisions. L'installation est conçue pour faire entrer en collision des ions à des énergies qui permettent aux scientifiques d'explorer comment la matière se comporte lorsqu'elle est compactée avec une haute densité de protons et de neutrons, une condition similaire au cœur d'une étoile à neutrons. Le détecteur est une grande machine en forme de baril, remplie de couches de capteurs qui tracent les trajectoires et les énergies des particules lorsqu'elles s'échappent du point de collision. L'une des tâches les plus critiques pour les scientifiques travaillant avec cette machine est de distinguer les rares électrons du bruit de fond écrasant d'autres particules chargées, telles que les pions et les protons. S'ils ne parviennent pas à séparer ces signaux proprement, la physique qu'ils espèrent découvrir restera cachée.

Les chercheurs derrière cette étude se sont concentrés sur un défi spécifique : comment identifier les électrons avec la plus grande précision possible sans en perdre trop en cours de route. Traditionnellement, les scientifiques ont utilisé une méthode basée sur des règles unidimensionnelles simples. Ils observaient la vitesse ou la perte d'énergie d'une particule et traçaient une ligne, conservant tout d'un côté et écartant le reste. Bien que cette approche soit directe, elle est rudimentaire. Pour s'assurer de ne pas conserver les mauvaises particules, ils doivent fixer les règles de manière très stricte, ce qui élimine inévitablement de nombreux électrons corrects en même temps que les mauvais. L'équipe voulait savoir si elle pouvait faire mieux en utilisant l'apprentissage automatique (machine learning), un type de programme informatique capable d'apprendre à reconnaître des motifs complexes dans les données plutôt que de suivre des règles rigides et préétablies.

Pour tester cette idée, l'équipe a créé une simulation informatique détaillée de la réponse du détecteur aux collisions entre des noyaux de bismuth lourds. Ils ont généré un ensemble massif de données de trajectoires de particules simulées, en étiquetant chacune comme étant soit un électron, soit une particlle de fond. Ils ont ensuite enseigné à deux types différents d'algorithmes d'apprentissage automatique comment trier ces données. Le premier était un réseau de neurones, un système modélisé sur le cerveau humain qui apprend en ajustant les connexions entre des couches d'unités de traitement simples. Le second était un arbre de décision boosté (boosted decision tree), qui fonctionne en posant une longue séquence de questions par oui ou par non pour réduire l'identité d'une particule. Les deux systèmes ont reçu diverses mesures, notamment la quantité de mouvement de la particule, la quantité d'énergie perdue lors de son passage à travers le gaz du détecteur, et la façon dont sa vitesse se comparait à son énergie.

Les chercheurs ont constaté que les approches par apprentissage automatique surpassaient de manière significative la méthode traditionnelle. Lorsqu'ils utilisaient les règles unidimensionnelles standards, le système pouvait atteindre une pureté élevée, signifiant que les électrons conservés étaient presque certainement réels, mais il ne parvenait à trouver qu'environ la moitié des électrons disponibles. Les modèles d'apprentissage automatique, cependant, ont été capables de trouver environ 50 % d'électrons supplémentaires tout en maintenant ce même niveau élevé de pureté. Cette amélioration n'était pas uniforme selon les vitesses ; les algorithmes devaient être enseignés différemment selon la rapidité des particules. En entraînant des modèles distincts pour différentes plages de quantité de mouvement, l'équipe a garanti que le système reste précis, même pour les particules les plus rapides, là où les méthodes traditionnelles ont tendance à échouer.

L'une des découvertes les plus intéressantes fut la manière dont les deux modèles d'apprentissage automatique abordaient le problème différemment. Le réseau de neurones avait tendance à s'appuyer fortement sur le rapport entre l'énergie et la quantité de mouvement d'une particule, une mesure particulièrement utile pour identifier les électrons à haute vitesse. L'arbre de décision, quant à lui, utilisait fréquemment la mesure de la perte d'énergie dans le gaz, indépendamment de la vitesse de la particule. Cette différence suggère que les deux algorithmes ont trouvé des moyens différents de distinguer le signal du bruit, tout en réussissant là où l'ancienne méthode peinait. Le résultat est un outil qui permet aux physiciens de voir davantage d'électrons rares s'échappant de la collision, doublant ainsi efficacement la quantité de données exploitables pour leur analyse.

Ce travail représente une étape cruciale pour le Détecteur Multi-Objectifs alors qu'il se prépare à commencer ses opérations. Les techniques d'apprentissage automatique décrites ici ne sont pas de simples exercices théoriques ; ce sont des outils pratiques qui seront utilisés pour analyser des données réelles une fois le détecteur entièrement mis en service. En améliorant la capacité d'identification des électrons, l'expérience pourra étudier les propriétés du plasma quark-gluon avec une précision bien accrue. Les chercheurs notent que, bien que ces résultats proviennent de simulations, ils fournissent une base solide pour l'analyse des données réelles. La capacité d'extraire plus de signal à partir de la même quantité de données signifie que l'expérience pourra répondre à des questions fondamentales sur la nature de la matière et de l'univers primitif avec une clarté qui était auparavant hors de portée.