Model-independent searches and anomaly detection at the CMS experiment
Cet article présente la recherche de nouvelle physique indépendante du modèle de l'expérience CMS utilisant la détection d'anomalies basée sur l'apprentissage automatique sur 138 fb de données à 13 TeV, soulignant la récupération non supervisée réussie des quarks top ainsi que le déploiement en temps réel d'algorithmes non supervisés dans le déclencheur de niveau 1 au cours de l'année 2024.
Article original sous licence CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Ceci est une explication générée par l'IA de l'article ci-dessous. Elle n'a pas été rédigée ni approuvée par les auteurs. Pour une précision technique, consultez l'article original. Lire la clause de non-responsabilité complète
Depuis plus d'une décennie, l'accélérateur de particules le plus puissant au monde brise des protons les uns contre les autres à des vitesses proches de celle de la lumière, à la recherche des briques fondamentales d'un univers qui s'étend au-delà de notre compréhension actuelle. Les scientifiques soupçonnent depuis longtemps que le Modèle Standard, la théorie qui décrit avec succès toute la matière et les forces connues, est incomplet. Ils s'attendent à trouver de nouvelles particules ou des forces cachées qui pourraient expliquer des mystères tels que la matière noire ou la raison pour laquelle l'univers existe tout court. Cependant, malgré la découverte du boson de Higgs, aucune nouvelle particule élémentaire n'est apparue dans les données. Ce silence a forcé les chercheurs à repenser leur stratégie. Au lieu de construire un filet spécifique pour attraper un poisson qu'ils pensent être présent, ils essaient désormais d'attraper tout ce qui est inhabituel en passant, peu importe son apparence. Ce changement repose sur une idée puissante : si l'univers est rempli de motifs familiers, alors tout ce qui brise ces motifs mérite d'être étudié, même si nous ne savons pas encore ce que c'est.
Les chercheurs de l'expérience Compact Muon Solenoid, ou CMS, au CERN, ont adopté cette approche en utilisant l'apprentissage automatique pour traquer les anomalies. Dans une étude récente, ils ont appliqué cette technique à un ensemble massif de données de collisions proton-proton de 138 fb⁻¹ enregistrées à une énergie de 13 téraélectronvolts. L'équipe s'est concentrée sur un type spécifique de collision où deux jets de particules à haute énergie volent dans des directions opposées. Dans la grande majorité de ces événements, les jets sont formés par des particules communes comme les quarks ou les gluons, créant un jet désordonné et prévisible. Les scientifiques ont cherché des jets différents — ceux qui possédaient une structure interne complexe, contenant peut-être des particules plus lourdes ou de multiples couches de désintégration, ce qui les ferait se démarquer du fond ordinaire. Ils n'ont pas supposé ce que ces nouvelles particules pourraient être, ni deviné leur masse ou la façon dont elles interagissent. Ils ont simplement demandé à l'ordinateur d'apprendre à quoi ressemble un jet normal, puis de signaler tout ce qui ne correspondait pas au motif.
Pour s'assurer que cette méthode fonctionnait, l'équipe a d'abord testé l'algorithme sur des données dont la réponse était déjà connue. Ils ont demandé à l'algorithme de trouver le quark top, une particule lourde bien comprise mais difficile à repérer dans un océan de jets ordinaires. Sans qu'on lui dise ce qu'était un quark top ou qu'on lui donne des étiquettes pour l'identifier, le système d'apprentissage automatique a réussi à isoler les événements contenant ces particules. Il les a trouvées en remarquant que leur structure interne était distincte du reste. Cette validation a prouvé que le système pouvait reconnaître quelque chose de nouveau sans script préétabli. Lorsque les chercheurs ont ensuite appliqué la même logique à l'ensemble du jeu de données de 138 fb⁻¹ de collisions proton-proton, ils ont scanné les données à la recherche de tout excès localisé d'événements étranges qui pourrait signaler une nouvelle résonance, ou une particule lourde se désintégrant en deux particules plus légères.
Les résultats ont été un témoignage de la puissance de cette recherche indépendante du modèle, mais ils ont également confirmé le silence continu de l'univers concernant la nouvelle physique. Les cinq méthodes différentes d'apprentissage automatique utilisées dans l'étude ont toutes été plus performantes que les recherches traditionnelles qui recherchent des types spécifiques de signatures de particules. Elles ont été capables de repérer des anomalies subtiles que les anciennes méthodes auraient manquées, particulièrement dans des scénarios complexes où une particule lourde pourrait se briser en de nombreux morceaux plus petits. Pourtant, malgré cette sensibilité accrue, aucune méthode n'a trouvé de déviation par rapport au bruit de fond attendu suffisamment forte pour revendiquer une découverte. Les fluctuations les plus significatives observées étaient cohérentes avec un bruit statistique aléatoire plutôt qu'avec une nouvelle particule. L'équipe a fixé de nouvelles limites sur le type de nouvelles particules qui pourraient exister, écartant de fait certaines possibilités dans des plages de masse où aucune autre recherche n'avait regardé auparavant.
Au-delà de l'analyse hors ligne des données enregistrées, l'expérience a poussé cette technologie dans le domaine de la prise de décision en temps réel. Le Grand Collisionneur de Hadrons produit des collisions à un rythme de 40 millions de fois par seconde, ce qui est bien trop rapide pour que des opérateurs humains ou des ordinateurs standards puissent examiner chaque événement. Habituellement, un système appelé "trigger" (déclencheur) filtre la vaste majorité des collisions, ne conservant que celles qui semblent intéressantes selon la physique connue. L'équipe du CMS a désormais installé deux algorithmes d'apprentissage automatique non supervisés directement sur le matériel qui prend ces décisions en une fraction de seconde. Ces algorithmes, fonctionnant sur des puces spécialisées, analysent les dépôts d'énergie brute dans le détecteur sans aucune connaissance préalable de ce qu'il faut chercher. Durant la période de collecte de données de 2024 à une énergie de 13,6 TeV, ces systèmes ont sélectionné plus de quatre milliards d'événements pour un stockage permanent, capturant des processus rares et énergétiques que les déclencheurs conventionnels auraient pu rejeter. Les données collectées jusqu'à présent montrent que le système fonctionne comme prévu, mettant en évidence des particules bien connues comme le boson Z et le méson J/psi, prouvant que la machine peut identifier une physique intéressante sans qu'on lui dise quoi chercher.
L'objectif ultime de ce travail est d'étendre la recherche au-delà des simples jets de particules à l'intérieur d'un seul jet pour l'appliquer à l'événement entier. En observant la forme globale d'une collision, les scientifiques espèrent trouver des anomalies invisibles lorsqu'on n'examine que des parties individuelles. Bien que cette étude spécifique n'ait pas trouvé de nouvelle particule, elle a démontré avec succès une nouvelle façon d'analyser les données. Elle a montré que les outils existent pour trouver l'inattendu, même dans un univers qui est jusqu'à présent resté obstinément silencieux. Les chercheurs sont passés des propositions théoriques à l'application pratique, validant leurs méthodes sur des données réelles et prouvant qu'ils peuvent caractériser les propriétés d'une particule simplement en observant comment elle diffère de tout le reste. La recherche continue, non pas pour un fantôme spécifique, mais pour toute ombre qui n'est pas à sa place.
Noyé(e) sous les articles dans votre domaine ?
Recevez des digests quotidiens des articles les plus récents correspondant à vos mots-clés de recherche — avec des résumés techniques, dans votre langue.