GNN-based track reconstruction for MUonE experiment

Dans le vaste paysage de la physique moderne, les scientifiques cherchent constamment des fissures dans les fondations de leur théorie la plus réussie, le Modèle Standard. Cette théorie agit comme un livre de règles expliquant comment l'univers fonctionne à ses plus petites échelles, pourtant elle laisse certaines questions profondes sans réponse. L'un des mystères les plus persistants concerne le muon, une particule similaire à l'électron mais beaucoup plus lourde. Depuis des décennies, des expériences mesurent la façon dont cette particule oscille dans un champ magnétique, une propriété connue sous le nom de moment magnétique anomal. Les mesures montrent systématiquement une différence infime et obstinée par rapport à ce que prédit le Modèle Standard. Cet écart suggère que des forces ou des particules inconnues pourraient influencer le muon, laissant présager une couche plus profonde de la réalité en attente d'être découverte. Cependant, pour confirmer cela, les physiciens doivent mesurer l'effet avec une précision extrême, ce qui nécessite de calculer une contribution spécifique provenant de l'interaction des particules avec le vide de l'espace. Ce calcul est notoirement difficile à réaliser avec les mathématiques traditionnelles, c'est pourquoi une nouvelle expérience appelée MUonE a été proposée pour le mesurer directement en observant la façon dont les muons se diffusent sur des électrons.

Le défi de l'expérience MUonE n'est pas seulement la physique, mais le volume colossal de données qu'elle doit traiter. L'expérience tirera un faisceau de muons vers une cible à un rythme de 40 millions de fois par seconde. À cette vitesse, les systèmes informatiques doivent décider en une fraction de seconde quelles collisions sont intéressantes et lesquelles ne sont que du bruit de fond. Si le système est trop lent, il manquera les événements rares qui pourraient révéler une nouvelle physique. S'il est trop agressif dans son filtrage, il pourrait jeter les signaux mêmes que les scientifiques recherchent. La méthode traditionnelle pour trier ces données implique des algorithmes complexes, étape par étape, qui tentent de reconstituer les trajectoires des particules à partir des minuscules signaux laissés dans des capteurs de silicium. Bien qu'accurates, ces méthodes sont très gourmandes en ressources de calcul et peinent à suivre le rythme incessant du faisceau. Pour résoudre ce problème, une équipe de chercheurs en Pologne s'est tournée vers un autre type d'intelligence : un système d'apprentissage automatique conçu pour penser comme un réseau de connexions plutôt que comme une liste linéaire d'instructions.

Les chercheurs ont développé une nouvelle méthode utilisant un Réseau de Neurones Graphiques (Graph Neural Network), un type d'intelligence artificielle qui excelle dans la compréhension des relations entre les objets. Au lieu de traiter les données comme une grille de nombres ou une image, le système considère le détecteur de particules comme une carte de points et de lignes. Chaque point représente un endroit où une particule a frappé un capteur, et les lignes représentent les trajectoires possibles reliant ces impacts. Le travail du réseau est de déterminer quelles lignes sont de vraies trajectoires empruntées par les particules et lesquelles ne sont que des coïncidences aléatoires. Dans une approche traditionnelle, l'ordinateur pourrait essayer de construire chaque trajectoire possible puis vérifier si elle est cohérente, un processus qui devient impossiment lent à mesure que le nombre de particules augmente. Le nouveau système, cependant, observe l'ensemble du réseau de connexions d'un seul coup, apprenant à reconnaître la forme spécifique d'une trajectoire de particule valide.

Pour tester cette idée, l'équipe a utilisé des données simulées imitant les conditions de l'expérience MUonE, incluant l'arrangement spécifique des capteurs et le comportement des muons et des électrons. Ils ont entraîné le réseau sur des milliers de ces événements simulés, lui apprenant à distinguer les véritables trajectoires des particules des fausses connexions. Les résultats ont été frappants. Le réseau a identifié avec succès les trajecturs correctes avec un taux d'erreur inférieur à un pour cent, un niveau de précision qui égale les meilleures méthodes traditionnelles. Plus important encore, il l'a fait avec une vitesse incroyable. Alors que les anciens algorithmes pouvaient traiter environ 3 400 événements par seconde sur un ordinateur puissant, le nouveau réseau neuronal en a géré plus de 31 000 par seconde. Cela représente une augmentation de vitesse décuplée, transformant efficacement un goulot d'étranglement en un flux fluide.

Au-delà de la simple détection des trajectoires, les chercheurs ont également démontré que ce système pouvait faire la distinction entre les particules elles-mêmes. Comme les électrons sont beaucoup plus légers que les muons, ils rebondissent avec des angles plus marqués lors de leurs collisions. Le réseau a appris à repérer ces différences subtiles dans les angles de diffusion, identifiant correctement si une trajectoire appartenait à un électron ou à un muon. Bien qu'il ait commis des erreurs dans environ 12 % de ces cas d'identification, ce niveau de performance est prometteur pour un système qui n'en est qu'à ses débuts. La capacité d'effectuer simultanément la reconstruction de trajectoire et l'identification des particules suggère que cette approche pourrait remplacer plusieurs étapes distinctes du pipeline d'analyse des données.

La portée de ce travail réside dans son potentiel à changer la manière dont les expériences de physique des hautes énergies opèrent. En déplaçant la tâche complexe du tri des données de l'étape « offline », où les scientifiques analysent les résultats après la fin de l'expérience, vers l'étape « online », où les décisions sont prises en temps réel, l'expérience MUonE peut capturer un échantillon beaucoup plus large et plus pur des événements rares dont elle a besoin. Les chercheurs soulignent que, bien que leurs résultats soient basés sur des simulations, la méthode est prête à être testée sur des données réelles collectées lors des prochaines phases de test de l'expérience. Si le système se comporte aussi bien sur des données réelles que dans la simulation, il pourrait fournir la vitesse et la précision nécessaires pour résoudre enfin le mystère de l'oscillation du muon, ouvrant potentiellement une fenêtre sur la nouvelle physique qui se trouve au-delà de notre compréhension actuelle.