Application of sequence learning for predicting radiation damage of the CMS electromagnetic calorimeter

Au cœur de la physique moderne se trouve la quête de compréhension des blocs de construction fondamentaux de l'univers. Pour ce faire, les scientifiques font s'entrechoquer des particules à des vitesses incroyables, créant des conditions qui existaient juste après la naissance du cosmos. L'une des machines les plus puissantes construites à cette fin est le Grand Collisionneur de Hadrons, un anneau massif enfoui sous la frontière entre la France et la Suisse. À l'intérieur de cette machine, l'expérience CMS (Compact Muon Solenoid) agit comme un appareil photo géant et ultra-sensible, prenant des clichés des débris issus de ces collisions à haute vitesse. Une partie critique de cet appareil est un détecteur composé de milliers de cristaux lourds et transparents. Lorsqu'une particule frappe l'un de ces cristaux, elle libère un éclair de lumière bleue, un peu comme une pierre sautant sur un étang crée des ondulations. En mesurant la luminosité de cette lumière, les physiciens peuvent calculer l'énergie de la particule qui l'a frappée. Cependant, l'environnement à l'intérieur du collisionneur est incroyablement rude. Le bombardement constant de radiations agit comme un sablage lent et invisible sur les cristaux, obscurcissant progressivement leur transparence. Avec le temps, ces dommages rendent les cristaux moins efficaces pour transmettre la lumière, ce qui menace la précision de l'ensemble de l'expérience. Pour maintenir le fonctionnement du détecteur, les scientifiques doivent surveiller constamment l'opacité des cristaux et corriger leurs mesures en conséquence.

Dans une étude récente, les chercheurs se sont tournés vers l'intelligence artificielle pour résoudre le problème de la prédiction du vieillissement de ces cristaux. Au lieu de s'appuyer uniquement sur des vérifications manuelles ou des suppositions statistiques simples, l'équipe a appliqué un type sophistiqué d'apprentissage automatique appelé modèle séquence-à-séquence. Cette approche traite l'historique de la transparence d'un cristal comme une histoire avec un début, un milieu et une fin. L'ordinateur est alimenté par une longue liste de mesures passées, montrant comment la clarté du cristal a changé jour après jour au fur et à mesure que le collisionneur fonctionnait puis s'arrêtait. Le système apprend à reconnaître des motifs dans ces données, tels que la façon dont les cristaux s'assombrissent rapidement pendant les périodes de collisions intenses et la façon dont ils récupèrent lentement leur clarté pendant les périodes calmes lorsque la machine ne fonctionne pas. L'objectif était d'apprendre à l'ordinateur à lire cet historique, puis à écrire le chapitre suivant, en prédisant comment le cristal se comporterait dans le futur.

Les chercheurs ont testé cette méthode en utilisant des données réelles collectées auprès du collisionneur entre 2016 et 2108. Ils se sont concentrés sur des cristaux spécifiques au sein du détecteur, injectant à l'ordinateur une fenêtre de valeurs de calibration passées et lui demandant de prévoir la transparence pour les jours à venir. Les résultats étaient prometteurs. Le modèle d'intelligence artificielle a réussi à suivre la montée et la descente de la clarté des cristaux, correspondant aux mesures réelles avec un haut degré de précision. Pour les cristaux analysés, les prédictions ont montré une erreur de pourcentage absolue moyenne d'environ 18 % à 26 %, tandis que l'erreur absolue est restée dans une plage gérable. Le modèle s'est avéré particulièrement efficace pour les prévisions à court terme, capturant les effets immédiats des dommages causés par les radiations et la récupération subséquente. Cela suggère que de tels systèmes pourraient devenir un outil fiable pour les scientifiques qui dirigent l'expérience, leur permettant d'anticiper les dommages avant qu'ils n'impactent significativement leurs données.

L'étude a également examiné de plus près les tentatives précédentes pour résoudre ce même problème à l'aide de l'apprentissage automatique. Les chercheurs ont découvert qu'une étude antérieure avait rapporté une baisse étrange de performance à certains intervalles de données, ce qui ressemblait initialement à une anomalie scientifique surprenante. En réexaminant le code utilisé dans ce travail antérieur, l'équipe a trouvé une simple erreur de programmation qui avait causé ces résultats trompeurs. Une fois ce bogue corrigé, la performance du modèle précédent est devenue beaucoup plus constante, bien qu'elle ne corresponde toujours pas à la stabilité de la nouvelle approche séquence-à-séquence. Le nouveau modèle a maintenu un niveau de précision constant, quelle que soit la quantité de données passées utilisées, montrant une capacité plus robuste à généraliser et à prédire le comportement futur.

Ce travail démontre que l'apprentissage profond peut modéliser efficacement le vieillissement complexe et temporel des matériaux du détecteur. En prédisant avec précision comment les cristaux vont se dégrader et récupérer, la méthode offre un moyen d'affiner les stratégies de calibration utilisées par l'expérience. Il ne s'agit pas seulement d'un exercice théorique ; cela a une valeur pratique pour les milliers de scientifiques qui comptent sur le Compact Muon Solenoid pour effectuer des mesures précises de l'univers. Si les capteurs du détecteur sont obscurcis et non corrigés, les données qu'ils collectent deviennent peu fiables. En utilisant ces outils prédictifs, la collaboration peut garantir que les mesures restent nettes et précises, même alors que la machine continue d'opérer dans l'un des environnements les plus chargés en radiations sur Terre. Les chercheurs prévoient d'étendre ce travail pour inclure plus de cristaux et d'explorer des stratégies d'apprentissage encore plus avancées, visant à construire un système capable de gérer l'ensemble du détecteur à la fois. Pour l'instant, le succès de cette approche fournit une base solide pour maintenir la caméra à particules la plus puissante du monde en parfaite mise au point.