Model-independent searches and anomaly detection at the CMS experiment
Questo articolo presenta la ricerca indipendente dal modello di nuova fisica dell'esperimento CMS utilizzando l'anomaly detection basata sul machine learning su 138 fb di dati a 13 TeV, evidenziando il recupero non supervisionato dei quark top e l'implementazione in tempo reale di algoritmi non supervisionati nel trigger di livello 1 durante il 2024.
Articolo originale sotto licenza CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Questa è una spiegazione generata dall'IA dell'articolo qui sotto. Non è stata scritta né approvata dagli autori. Per precisione tecnica, consulta l'articolo originale. Leggi il disclaimer completo
Per oltre un decennio, il più potente acceleratore di particelle al mondo ha fatto scontrare protoni a velocità vicine a quella della luce, alla ricerca dei mattoni fondamentali di un universo che si estende oltre la nostra attuale comprensione. Gli scienziati sospettano da tempo che il Modello Standard, la teoria che descrive con successo tutta la materia e le forze note, sia incompleto. Si aspettano di trovare nuove particelle o forze nascoste che possano spiegare misteri come la materia oscura o il perché l'universo esista affatto. Tuttavia, nonostante la scoperta del bosone di Higgs, nessuna nuova particella elementare è apparsa nei dati. Questo silenzio ha costretto i ricercatori a ripensare la loro strategia. Invece di costruire una rete specifica per catturare un pesce che pensano possa esserci, stanno ora cercando di catturare qualsiasi cosa di insolito passi nuotando, indipendentemente dal suo aspetto. Questo cambiamento si basa su un'idea potente: se l'universo è pieno di schemi familiari, allora qualsiasi cosa rompa quegli schemi merita di essere investigata, anche se non sappiamo ancora cosa sia.
I ricercatori dell'esperimento Compact Muon Solenoid, o CMS, al CERN hanno abbracciato questo approccio utilizzando l'apprendimento automatico per dare la caccia alle anomalie. In uno studio recente, hanno applicato questa tecnica a un enorme dataset di 138 fb⁻¹ di dati di collisioni protone-protone registrati a un'energia di 13 trilioni di elettronvolt. Il team si è concentrato su un tipo specifico di collisione in cui due getti di particelle ad alta energia, noti come jet, volano in direzioni opposte. Nella stragrande maggioranza di questi eventi, i jet sono formati da particelle comuni come quark o gluoni, creando uno spruzzo prevedibile e disordinato. Gli scienziati hanno cercato jet che fossero diversi — quelli che portavano una struttura interna complessa, forse contenenti particelle più pesanti o molteplici strati di decadimento, che li farebbero distinguere dal background ordinario. Non hanno ipotizzato cosa potessero essere queste nuove particelle, né hanno indovinato la loro massa o il modo in cui interagiscono. Hanno semplicemente chiesto al computer di imparare come appare un jet normale e poi di segnalare qualsiasi cosa non si adattasse allo schema.
Per garantire che questo metodo funzionasse, il team ha prima testato la tecnica su dati in cui la risposta era già nota. Hanno chiesto all'algoritmo di trovare il quark top, una particella pesante ben compresa ma difficile da individuare in un mare di jet ordinari. Senza essere stati istruiti su cosa fosse un quark top o dotati di etichette per identificarlo, il sistema di apprendimento automatico ha isolato con successo gli eventi contenenti queste particelle. Le ha trovate notando che la loro struttura interna era distinta dal resto. Questa validazione ha dimostrato che il sistema poteva riconoscere qualcosa di nuovo senza uno script predefinito. Quando i ricercatori hanno applicato la stessa logica all'intero dataset di 138 fb⁻¹ di dati di collisioni protone-protone, hanno scansionato alla ricerca di qualsiasi eccesso localizzato di eventi strani che potesse segnalare una nuova risonanza, ovvero una particella pesante che decade in due particelle più leggere.
I risultati sono stati una testimonianza della potenza di questa ricerca indipendente dal modello, ma hanno anche confermato il continuo silenzio dell'universo riguardo alla nuova fisica. I cinque diversi metodi di apprendimento automatico utilizzati nello studio hanno tutti performato meglio delle ricerche tradizionali che cercano tipi specifici di firme di particelle. Sono stati in grado di individuare anomalie sottili che i metodi più vecchi avrebbero mancato, in particolare in scenari complessi in cui una particella pesante potrebbe scomporsi in molti pezzi più piccoli. Eppure, nonostante questa maggiore sensibilità, nessun singolo metodo ha trovato una deviazione dal background previsto che fosse abbastanza forte da rivendicare una scoperta. Le fluttuazioni più significative osservate erano coerenti con il rumore statistico casuale piuttosto che con una nuova particella. Il team ha stabilito nuovi limiti su quali tipi di nuove particelle potrebbero esistere, escludendo di fatto certe possibilità in intervalli di massa in cui nessun'altra ricerca aveva guardato prima.
Oltre l'analisi offline dei dati registrati, l'esperimento ha spinto questa tecnologia nel regno del processo decisionale in tempo reale. Il Large Hadron Collider produce collisioni a un ritmo di 4 o 40 milioni di volte al secondo, troppo veloce per operatori umani o computer standard per esaminare ogni singolo evento. Di solito, un sistema chiamato trigger filtra la stragrande maggioranza delle collisioni, mantenendo solo quelle che sembrano interessanti in base alla fisica nota. Il team del CMS ha ora installato due algoritmi di apprendimento automatico non supervisionato direttamente sull'hardware che prende queste decisioni in una frazione di secondo. Questi algoritmi, che girano su chip specializzati, analizzano i depositi di energia grezza nel rivelatore senza alcuna conoscenza pregressa di cosa cercare. Durante il periodo di acquisizione dati del 2024 a un'energia di 13,6 TeV, questi sistemi hanno selezionato più di quattro miliardi di eventi per l'archiviazione permanente, catturando processi rari ed energetici che i trigger convenzionali avrebbero potuto scartare. I dati raccolti finora mostrano che il sistema funziona come previsto, evidenziando particelle ben note come il bosone Z e il mesone J/psi, provando che la macchina può identificare fisica interessante senza che le venga detto cosa cercare.
L'obiettivo finale di questo lavoro è espandere la ricerca oltre i semplici spruzzi di particelle all'interno di un singolo jet, verso l'intero evento. Guardando alla forma globale di una collisione, gli scienziati sperano di trovare anomalie invisibili quando si osservano i singoli pezzi. Sebbene questo studio specifico non abbia trovato una nuova particella, ha dimostrato con successo un nuovo modo di guardare i dati. Ha mostrato che gli strumenti esistono per trovare l'inaspettato, anche in un universo che finora è rimasto ostinatamente silenzioso. I ricercatori si sono spostati dalle proposte teoriche all'applicazione pratica, validando i loro metodi su dati reali e dimostrando che possono caratterizzare le proprietà di una particella semplicemente osservando come essa differisce da tutto il resto. La ricerca continua, non per uno spettro specifico, ma per qualsiasi ombra che non appartenga al contesto.
Sommerso dagli articoli nel tuo campo?
Ricevi digest giornalieri degli articoli più recenti corrispondenti alle tue parole chiave di ricerca — con riassunti tecnici, nella tua lingua.