On-Detector Machine Learning for Beam-Induced Background Rejection at a 10 TeV Muon Collider

Nella ricerca per comprendere le leggi più profonde della natura, i fisici stanno progettando macchine capaci di far scontrare particelle con energie molto superiori a quelle che possiamo attualmente raggiungere. Una delle idee più promettenti per la prossima generazione di queste macchine è un collisionatore di muoni. I muoni sono particelle simili agli elettroni ma molto più pesanti e, poiché sono così pesanti, possono essere accelerati a velocità incredibili senza perdere tanta energia quanto farebbero le particelle più leggere. Una macchina capace di far scontrare i muoni a dieci trilioni di elettron volt agirebbe come un potente microscopio, permettendo agli scienziati di sondare la struttura della materia e le forze che tengono insieme l'universo con una chiarezza senza precedenti.

Tuttavia, costruire una macchina del genere presenta un ostacolo unico e formidabile. A differenza di altre particelle, i muoni sono instabili e decadono molto rapidamente in altre particelle, inclusi elettroni e neutrini. All'interno dell'anello del collisionatore, questi decadimenti avvengono costantemente, creando una tempesta di particelle vagabonde che inonda i rilevatori che circondano il punto di collisione. Questo rumore di fondo è così intenso da minacciare di sopraffare i sensori, riempiendoli di così tanti dati che l'elettronica non riesce a stare al passo. Se i rilevatori vengono sepolti sotto questo rumore, i segnali rari e preziosi delle vere collisioni tra i muoni andranno persi, rendendo la macchina inutile per la scoperta. La sfida, quindi, non è solo costruire un acceleratore potente, ma costruire un rilevatore abbastanza intelligente da ignorare il rumore in tempo reale.

Un team di ricercatori ha affrontato questo problema insegnando all'elettronica stessa del rilevatore a pensare. In un nuovo studio, hanno esplorato l'uso del machine learning, una forma di intelligenza artificiale, per filtrare il rumore di fondo direttamente all'interno dei chip dei sensori, prima ancora che i dati vengano inviati al computer principale. I ricercatori si sono concentrati sullo strato più interno del rilevatore, una griglia di minuscoli pixel progettati per tracciare i percorsi delle particelle. Quando una particella proveniente da una collisione colpisce questa griglia, lascia un particolare schema di segnali elettrici. Il rumore di fondo derivante dai decadimenti dei muoni lascia un modello diverso. Addestrando algoriti informatici a riconoscere la forma di questi modelli, il team mirava a creare un sistema che potesse decidere istantaneamente quali impatti tenere e quali scartare.

I ricercatori hanno simulato l'ambiente di un futuro collisionatore di muoni da dieci trilioni di elettron volt per testare le loro idee. Hanno generato milioni di esempi digitali di come appare un segnale da una vera collisione e di come appare il rumore di fondo quando colpisce i sensori a pixel. Hanno scoperto che i due tipi di impatti appaiono distintamente diversi. Le particelle provenienti dalla collisione tendono a viaggiare in linea retta dal centro della macchina, creando forme compatte e prevedibili sul sensore. Al contrario, le particelle di fondo arrivano spesso dai lati o da angoli strani, creando forme lunghe, disordinate e irregolari. Il team ha progettato tre diversi tipi di reti neurali, ovvero programmi informatici modellati sul cervello umano, per imparare a distinguere tra queste due forme. Queste reti sono state progettate per essere molto leggere, il che significa che utilizzano pochissima potenza di calcolo, in modo da poter essere potenzialmente integrate direttamente sui chip di silicio che leggono i dati del rilevatore.

I risultati della simulazione sono stati incoraggianti. Gli algoritmi di machine learning si sono dimostrati altamente efficaci nell'identificare e rimuovere il rumore di fondo mantenendo quasi tutti i preziosi dati di collisione. I modelli con le prestazioni migliori sono stati in grado di rifiutare tra l'88 e il 90 percento degli impatti di fondo pur mantenendo il 99 percento degli impatti del segnale. Questo livello di prestazione è cruciale perché si traduce in una massiccia riduzione della quantità di dati che il rilevatore deve elaborare. Invece di cercare di leggere ogni singolo impatto, il che richiederebbe velocità di trasferimento dati ben oltre le capacità attuali, il rilevatore potrebbe filtrare il rumore sul posto. Lo studio ha anche dimostrato che questi modelli di machine learning potrebbero essere implementati su chip informatici specializzati noti come circuiti integrati applicativi (ASIC), che sono piccoli, efficienti e capaci di operare nell'ambiente ad alta radiazione di un collisionatore.

Uno dei risultati più significativi è stato che questo approccio offre un nuovo modo per risolvere il problema che non si basa esclusivamente sulla temporizzazione. Le strategie precedenti per ridurre il rumore di fondo dipendevano dalla misurazione esatta di quando una particella arrivasse, sperando di catturare solo quelle che arrivavano nel preciso momento della collisione. Sebbene la temporizzazione sia efficace, richiede orologi estremamente precisi e stabili, che sono difficili da mantenere. Il nuovo studio ha dimostrato che osservare la forma dell'impatto della particella fornisce informazioni che sono indipendenti dalla temporizzazione. I modelli di machine learning potevano identificare le particelle di fondo anche se arrivavano nello stesso momento delle particelle del segnale, semplicemente perché la loro forma era errata. Ciò significa che il rilevatore potrebbe potenzialmente utilizzare una combinazione di analisi della temporizzazione e della forma per ottenere risultati ancora migliori, o forse per alleggerire i rigorosi requisiti di precisione temporale, rendendo il design complessivo del rilevatore più fattibile.

I ricercatori hanno anche esaminato i costi pratici di inserimento di questa tecnologia nell'hardware. Hanno scoperto che, sebbene modelli informatici più complessi potessero rifiutare leggermente più rumore, richiedevano significativamente più spazio e potenza sul chip. I modelli più semplici, che utilizzavano meno calcoli, offrivano il miglior equilibrio. Potevano entrare in un'area minuscola su un chip di silicio, stimata in meno di 1 millimetro quadrato, e operare abbastanza velocemente da stare al passo con il ritmo rapido delle collisioni tra particelle. Ciò suggerisce che è fisicamente possibile costruire un rilevatore che pensi con la propria testa, filtrando il caos del rumore di fondo di un collisionatore di muoni proprio alla fonte.

Questo lavoro rappresenta un passo critico verso la realizzazione di un collisionatore di muoni. Dimostrando che il machine learning può essere incorporato direttamente nell'hardware del rilevatore per risolvere il problema del sovraccarico di dati, i ricercatori hanno fornito una via percorribile. Lo studio conferma che l'intenso rumore di fondo, un tempo considerato un ostacolo insormontabile per i collisionatori di muoni, può essere gestito con l'elettronica intelligente. Se questi progetti verranno costruiti e testati, potrebbero sbloccare il potenziale di un collisionatore di muoni da dieci trilioni di elettron volt, permettendo agli scienziati di scrutare la natura fondamentale dell'universo con una chiarezza mai vista prima. Il percorso verso la scoperta include ora non solo la costruzione di macchine più grandi, ma la costruzione di sensori più intelligenti.