A High- and Variable-Dimensional Measurement of the $Z$+jets Differential Cross Section with the ATLAS Experiment and Artificial Intelligence

Le Grand Collisionneur de Hadrons est une machine conçue pour fracasser des protons les uns contre les autres à des énergies si élevées qu'ils se brisent en une pluie de particules élémentaires plus petites. Lorsque ces collisions se produisent, les débris ne s'envolent pas dans des directions aléatoires ; au lieu de cela, les lois de la physique forcent les fragments à se regrouper en jets serrés et coniques. Ces jets sont le principal moyen pour les scientifiques d'étudier la force nucléaire forte, la colle invisible qui maintient ensemble les blocs de construction de la matière. Pendant des décennies, les physiciens ont tenté de comprendre ces jets en mesurant des propriétés spécifiques et prédéfinies, telles que l'énergie totale ou la masse du spray. Cependant, cette approche revient à essayer de comprendre une peinture complexe en ne mesurant que son poids total ou sa couleur moyenne. Cela occulte les détails complexes de la manière dont la peinture est réellement appliquée. Le défi a toujours été que les données issues de ces collisions sont si vastes et multidimensionnelles que les outils traditionnels ne peuvent capturer chaque détail sans perdre les connexions entre eux.

Une nouvelle étude de Kevin Greif, chercheur à l'Université de Californie à Irvine, change la façon dont ces données sont traitées. Travaillant avec l'expérience ATLAS du Grand Collisionneur de Hadrons, Greif a développé une méthode pour mesurer la production d'un type spécifique d'événement de particule, où un boson Z est créé aux côtés d'un jet de particules, sans jamais forcer les données dans une boîte simplifiée. Au lieu de choisir quelques caractéristiques à mesurer, l'équipe a utilisé l'intelligence artificielle pour reconstruire l'événement entier, préservant la position et la quantité de mouvement de chaque particule chargée impliquée. Cette approche leur permet d'observer les données dans leur complexité brute et totale, créant une carte complète de la collision plutôt qu'un résumé. Le résultat est une mesure bien plus détaillée que tout ce qui a été réalisé auparavant, révélant des motifs dans les données qui étaient auparavant cachés parce qu'ils étaient trop complexes à calculer.

Le cœur de ce travail repose sur une technique appelée « unfolding » (déreplissage), qui est essentiellement une façon de inverser les effets de flou du détecteur. Lorsque les particules frappent le détecteur ATLAS, la machine enregistre leurs signaux, mais ces signaux ne sont pas parfaits ; ils sont estompés et déformés par la machinerie elle-même. Pour comprendre ce qui s'est réellement passé lors de la collision, les physiciens doivent mathématiquement annuler cette distorsion. Traditionnellement, cela se faisait en classant les particules dans des compartiments (bins), comme si l'on mettait des billes dans des seaux en fonction de leur taille. Mais cette méthode perd l'information sur la façon dont les billes sont liées entre elles. L'équipe de Greif a utilisé une forme sophistiquée d'intelligence artificielle, plus précisément un type de modèle génératif, pour effectuer cette inversion. Au lieu de trier les particules dans des seaux, l'IA a appris la relation entre les signaux désordonnés du détecteur et la physique propre de la collision. Elle a ensuite appliqué cette connaissance aux données réelles, retirant efficacement les couches de bruit du détecteur pour révéler la vérité sous-jacente de chaque événement.

Cette méthode a permis aux chercheurs de mesurer la section efficace, ou la probabilité, du processus de production du boson Z à travers un vaste nombre de dimensions simultanément. Alors que les mesures précédentes pouvaient examiner vingt ou trente propriétés différentes à la fois, cette nouvelle analyse a capturé jusqu'à 843 dimensions d'information simultanément. L'équipe n'a pas seulement mesuré une chose ; elle a créé un ensemble de données qui contient toute l'histoire de la collision. À partir de ce seul ensemble de données, ils ont pu extraire les mesures de nombreuses quantités physiques différentes sans avoir à répéter l'expérience ou à relancer les calculs complexes. C'est comme s'ils avaient pris une photographie haute résolution d'une scène complexe et qu'ils réalisaient ensuite qu'ils pouvaient utiliser cette seule image pour mesurer la vitesse d'une voiture, la température de l'air et la distance entre deux arbres, le tout avec une précision parfaite, simplement en regardant les bonnes parties de l'image.

Les chercheurs ont testé cette nouvelle approche en mesurant quatre types spécifiques de propriétés physiques pour voir l'efficacité de leur méthode. Premièrement, ils ont examiné l'activité sous-jacente de la collision, comptant le nombre de particules chargées et leur quantité de mouvement totale. Ils ont constaté que les simulations informatiques utilisées pour prédire ces événements manquaient souvent la cible, certaines simulations prédisant des valeurs trente pour cent plus hautes ou plus basses que ce que les données montraient réellement. Cette divergence souligne que notre compréhension actuelle de la formation et de l'interaction des particules est encore incomplète. Deuxièmement, ils ont examiné la forme des jets eux-mêmes, spécifiquement la façon dont l'énergie est distribuée du centre du jet vers l'extérieur. En utilisant leur méthode multidimensionnelle, ils ont pu passer de différentes manières de définir un jet et voir instantanément comment la forme changeait, révélant que certaines caractéristiques du jet étaient en fait causées par la façon dont l'ordinateur regroupait les particules, plutôt que par la physique de la collision elle-même.

Troisièmement, l'équipe a mesuré une propriété appelée corrélateur énergie-énergie, qui suit la façon dont l'énergie des particules est liée en fonction de l'angle entre elles. Cette mesure est difficile car elle nécessite d'observer des paires de particules sur une large gamme d'angles. La nouvelle méthode a réussi à capturer cette relation à travers l'événement entier, montrant trois régimes distincts de comportement : une région où les particules agissent indépendamment, une région intermédiaire où elles suivent les règles de la force forte, et une région finale où elles se comportent comme des particules libres. Cela a fourni une vue claire et détaillée du fonctionnement de la force forte à différentes échelles, confirmant les prédictions théoriques dans la plage intermédiaire tout en montissant là où les modèles actuels peinent aux plus petites échelles. Enfin, l'équipe a mesuré la dimensionnalité intrinsèque des jets, un concept qui demande combien de nombres sont réellement nécessaires pour décrire la structure du jet. Ils ont découvert que malgré l'apparence de dizaines de particules, la structure sous-jacente pouvait être décrite par seulement quelques dimensions. Cela suggère que le spray complexe de particules est en fait régi par un ensemble de règles beaucoup plus simple qu'il n'y paraît, se regroupant d'une manière qui facilite l'apprentissage et la prédiction par les ordinateurs.

La portée de ce travail dépasse ces mesures spécifiques. En prouvant qu'il est possible de mesurer tout l'espace des phases d'une collision sans perte d'information, l'étude ouvre la voie à une nouvelle ère d'analyse en physique des particules. L'ensemble de données créé par cette mesure n'est pas une liste statique de chiffres, mais une ressource flexible que d'autres scientifiques peuvent utiliser pour tester leurs propres théories et chercher de nouveaux phénomènes. Les chercheurs ont rendu cet ensemble de données public, permettant à quiconque de projeter les données sur n'importe quel observable qu'il souhaite étudier. Cela déplace l'attention de la tentative de deviner quelle mesure spécifique pourrait révéler une nouvelle physique vers la création d'une bibliothèque complète de données qui peut être exploitée pour trouver des réponses à des questions que nous n'avons même pas encore posées.

L'étude aborde également les limites des modèles informatiques actuels. Les chercheurs ont constaté que, bien que les simulations soient bonnes pour prédire le comportement général des particules, elles échouent souvent à capturer les détails les plus fins, particulièrement dans la façon dont les particules sont distribuées et comment elles interagissent aux plus petites échelles. Les divergences entre les données et les simulations suggèrent que les modèles de formation des hadrons, le processus appelé hadronisation, doivent être affinés. Les données de haute précision fournies par cette nouvelle méthode offrent un moyen d'ajuster ces modèles, menant potentiellement à des prédictions plus précises pour les expériences futures. Ceci est crucial pour le LHC à haute luminosité, la prochaine mise à niveau du collisionneur, qui produira encore plus de données et nécessitera des outils encore plus précis pour l'interprétation.

Dans le contexte plus large de la recherche scientifique, ce travail démontre la puissance de l'intelligence artificielle non seulement comme un outil de classification, mais comme une méthode de découverte fondamentale. L'IA n'a pas seulement trié les données ; elle a reconstruit la réalité physique derrière le bruit. Cette approche défie la manière traditionnelle de faire de la physique, où les scientifiques simplifient souvent des problèmes complexes pour les rendre solubles. Au contraire, cette étude montre qu'en embrassant la pleine complexité des données, nous pouvons découvrir des vérités qui étaient auparavant invisibles. L'auteur suggère que cette méthode devrait devenir une pratique standard pour les expériences futures, permettant à la communauté de passer de mesures fragmentaires vers une compréhension plus holistique des interactions de particules.

L'article conclut en examinant le potentiel futur de ces techniques. Les chercheurs pensent qu'à mesure que l'intelligence artificielle continuera de progresser, elle permettra aux scientifiques d'extraire encore plus d'informations des données collectées au Grand Collisionneur de Hadrons. Ils envisagent un avenir où les systèmes d'IA pourront non seulement analyser les données, mais aussi aider à concevoir les expériences et à interpréter les résultats, accélérant ainsi le rythme des découvertes. Bien que l'étude actuelle se concentre sur un type spécifique de collision, les méthodes développées ici peuvent être appliquées à d'autres processus, tels que la production de quarks top ou de bosons de Higgs. L'objectif ultime est d'utiliser ces outils pour trouver des écarts par rapport au Modèle Standard, la théorie actuelle de la physique des particules, ce qui pourrait mener à la découverte de nouvelles particules ou de nouvelles forces. Le travail présenté par Greif et son équipe constitue une étape cruciale dans cette direction, offrant une nouvelle façon de voir l'univers à son niveau le plus fondamental.