GNN-based track reconstruction for MUonE experiment

Nel vasto panorama della fisica moderna, gli scienziati cercano costantemente crepe nelle fondamenta del loro modello di maggior successo, il Modello Standard. Questa teoria funge da libro di regole su come funziona l'universo alle sue scale più piccole, eppure lascia alcune profonde domande senza risposta. Uno dei misteri più persistenti riguarda il muone, una particella simile all'elettrone ma molto più pesante. Per decenni, gli esperimenti hanno misurato come questa particella oscilla in un campo magnetico, una proprietà nota come il suo momento magnetico anomalo. Le misurazioni mostrano costantemente una minuscola e ostinata differenza rispetto a ciò che il Modello Standard prevede. Questo divario suggerisce che forze o particelle sconosciute potrebbero influenzare il muone, accennando a uno strato più profondo della realtà in attesa di essere scoperto. Tuttavia, per confermare ciò, i fisici devono misurare l'effetto con estrema precisione, richiedendo loro di calcolare un contributo specifico derivante dall'interazione delle particelle con il vuoto dello spazio. Questo calcolo è notoriamente difficile da eseguire con la matematica tradizionale, quindi è stato proposto un nuovo esperimento chiamato MUonE per misurarlo direttamente osservando come i muoni si diffondono contro gli elettroni.

La sfida per l'esperimento MUonE non è solo la fisica, ma l'enorme volume di dati che deve elaborare. L'esperimento sparerà un fascio di muoni contro un bersaglio a una frequenza di 40 milioni di volte ogni secondo. A questa velocità, i sistemi informatici devono decidere in una frazione di secondo quali collisioni sono interessanti e quali sono solo rumore di fondo. Se il sistema è troppo lento, perderà gli eventi rari che potrebbero rivelare nuova fisica. Se è troppo aggressivo nel filtrare, potrebbe scartare proprio i segnali che gli scienziati stanno cercando. Il modo tradizionale per setacciare questi dati prevede algoritmi complessi e sequenziali che tentano di ricostruire i percorsi delle particelle a partire dai minuscoli segnali lasciati dai sensori al silicio. Sebbene accurati, questi metodi sono computazionalmente pesanti e faticano a tenere il passo con il ritmo implacabile del fascio. Per risolvere questo problema, un team di ricercatori in Polonia si è rivolto a un tipo diverso di intelligenza: un sistema di apprendimento automatico progettato per pensare come una rete di connessioni piuttosto che come una lista lineare di istruzioni.

I ricercatori hanno sviluppato un nuovo metodo utilizzando una Rete Neurale a Grafo (Graph Neural Network), un tipo di intelligenza artificiale che eccelle nel comprendere le relazioni tra oggetti. Inveve di trattare i dati come una griglia di numeri o un'immagine, il sistema vede il rilevatore di particelle come una mappa di punti e linee. Ogni punto rappresenta un luogo in cui una particella ha colpito un sensore, e le linee rappresentano i possibili percorsi che collegano tali impatti. Il compito della rete è capire quali linee siano percorsi reali percorsi dalle particelle e quali siano solo coincidenze casuali. In un approccio tradizionale, il computer potrebbe tentare di costruire ogni possibile percorso per poi controllare se ha senso, un processo che diventa impossibilmente lento all'aumentare del numero di particelle. Il nuovo sistema, invece, osserva l'intera rete di connessioni simultaneamente, imparando a riconoscere la forma specifica di una traccia di particella valida.

Per testare questa idea, il team ha utilizzato dati simulati che imitano le condizioni dell'esperimento MUonE, inclusa la specifica disposizione dei sensori e il comportamento di muoni ed elettroni. Hanno addestrato la rete su migliaia di questi eventi simulati, insegnandole a distinguere tra i veri percorsi delle particelle e le false connessioni. I risultati sono stati sorprendenti. La rete ha identificato con successo i percorsi corretti con un tasso di errore inferiore all'uno percento, un livello di precisione che eguaglia i migliori metodi tradizionali. Ancora più importante, lo ha fatto con una velocità incredibile. Mentre i vecchi algoritmi potevano elaborare circa 3.400 eventi al secondo su un computer potente, la nuova rete neurale ne ha gestiti oltre 31.000 al secondo. Ciò rappresenta un aumento di velocità di dieci volte, trasformando efficacemente un collo di bottiglia in un flusso fluido.

Oltre a trovare i percorsi, i ricercatori hanno anche dimostrato che questo sistema può distinguere tra le particelle stesse. Poiché gli elettroni sono molto più leggeri dei muoni, rimbalzano con angoli più acuti quando collidono. La rete ha imparato a individuare queste sottili differenze negli angoli di diffusione, identificando correttamente se una traccia apparteneva a un elettrone o a un muone. Sebbene abbia commesso errori in circa il 12 percento di questi casi di identificazione, questo livello di prestazione è promettente per un sistema che è ancora nelle sue fasi iniziali. La capacità di eseguire simultaneamente sia la ricostruzione della traccia che l'identificazione della particella suggerisce che questo approccio potrebbe sostituire diverse fasi separate della pipeline di analisi dei dati.

La significatività di questo lavoro risiede nel suo potenziale di cambiare il modo in cui operano gli esperimenti di alta energia. Spostando il compito complesso di ordinamento dei dati dalla fase "offline", dove gli scienziati analizzano i risultati dopo che l'esperimento è terminato, alla fase "online", dove le decisioni vengono prese in tempo reale, l'esperimento MUonE può catturare un campione molto più ampio e pulito degli eventi rari di cui ha bisogno. I ricercatori sottolineano che, sebbene i loro risultati si basino su simulazioni, il metodo è pronto per essere testato su dati reali raccolti durante le imminenti sessioni di test dell'esperimento. Se il sistema si comporterà sui dati reali bene quanto ha fatto nella simulazione, potrebbe fornire la velocità e la precisione necessarie per risolvere finalmente il mistero dell'oscillazione del muone, aprendo potenzialmente una finestra sulla nuova fisica che giace oltre la nostra attuale comprensione.