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

Al cuore della fisica moderna risiede la ricerca di una comprensione dei blocchi fondamentali che compongono l'universo. Per farlo, gli scienziati fanno scontrare particelle a velocità incredibili, creando condizioni che esistevano appena istanti dopo la nascita del cosmo. Una delle macchine più potenti costruite a questo scopo è il Large Hadron Collider, un enorme anello sepolto sotto il confine tra Francia e Svizzera. All'interno di questa macchina, l'esperimento Compact Muon Solenoid agisce come una fotocamera gigante e ultra-sensibile, scattando foto dei detriti derivanti da queste collisioni ad alta velocità. Una parte critica di questa fotocamera è un rilevatore composto da miglia di cristalli pesanti e trasparenti. Quando una particella colpisce uno di questi cristalli, rilascia un lampo di luce blu, proprio come un sasso che rimbalza su uno stagno crea increspature. Misurando la luminosità di questa luce, i fisici possono calcolare l'energia della particella che l'ha colpita. Tuttavia, l'ambiente all'interno del collider è incredibilmente ostile. Il bombardamento costante di radiazioni agisce come una lenta, invisibile sabbiatura sui cristalli, offuscandone gradualmente la trasparenza. Nel tempo, questo danno rende i cristalli meno efficienti nel trasmettere la luce, il che minaccia l'accuratezza dell'intero esperimento. Per mantenere il rilevatore funzionante, gli scienziati devono monitorare costantemente quanto i cristalli si siano opacizzati e correggere di conseguenza le loro misurazioni.

In uno studio recente, i ricercatori si sono rivolti all'intelligenza artificiale per risolvere il problema di prevedere come questi cristalli invecchiano. Invece di affidarsi esclusivamente a controlli manuali o semplici ipotesi statistiche, il team ha applicato un tipo sofisticato di apprendimento automatico noto come modello sequence-to-sequence. Questo approccio tratta la storia della trasparenza di un cristallo come una storia con un inizio, un centro e una fine. Al computer viene fornito un lungo elenco di misurazioni passate, che mostra come la chiarezza del cristallo sia cambiata giorno per giorno mentre il collider operava e poi si fermava. Il sistema impara a riconoscere modelli in questi dati, come il modo in cui i cristalli si scuriscono rapidamente durante i periodi di collisioni intense e come recuperano lentamente la loro chiarezza durante i periodi di calma in cui la macchina non è in funzione. L'obiettivo era insegnare al computer a leggere questa storia e poi scrivere il capitolo successivo, prevedendo come il cristallo si sarebbe comportato in futuro.

I ricercatori hanno testato questo metodo utilizzando dati reali raccolti dal collider tra il 2016 e il 2018. Si sono concentrati su cristalli specifici all'interno del rilevatore, fornendo al computer una finestra di valori di calibrazione passati e chiedendogli di prevedere la trasparenza per i giorni successivi. I risultati sono stati promettenti. Il modello di intelligenza artificiale ha tracciato con successo l'ascesa e la discesa della chiarezza dei cristalli, corrispondendo alle misurazioni reali con un alto grado di precisione. Per i cristalli analizzati, le previsioni hanno mostrato un errore percentuale assoluto medio di circa il 18% - 26%, mentre l'errore assoluto è rimasto entro un intervallo gestibile. Il modello si è dimostrato particolarmente efficace nelle previsioni a breve termine, catturando gli effetti immediati del danno da radiazione e il successivo recupero. Ciò suggerisce che tali sistemi potrebbero diventare uno strumento affidabile per gli scienziati che gestiscono l'esperimento, permettendo loro di anticipare il danno prima che questo impatti significativamente sui loro dati.

Lo studio ha anche esaminato più da vicino i precedenti tentativi di risolvere lo stesso problema utilizzando l'apprendimento automatico. I ricercatori hanno scoperto che uno studio precedente aveva riportato un strano calo delle prestazioni in determinati intervalli di dati, che inizialmente sembrava un sorprendente' anomalia scientifica. Riesaminando il codice utilizzato in quel precedente lavoro, il team ha trovato un semplice errore di programmazione che aveva causato i risultati fuorvianti. Una volta corretto questo bug, le prestazioni del modello precedente sono diventate molto più coerenti, sebbene non raggiungessero ancora la stabilità del nuovo approccio sequence-to-sequence. Il nuovo modello ha mantenuto un livello costante di accuratezza indipendentemente da quanti dati passati venissero utilizzati, mostrando una capacità più robusta di generalizzare e prevedere il comportamento futuro.

Questo lavoro dimostra che il deep learning può modellare efficacementamente l'invecchiamento complesso e tempo-dipendente dei materiali del rilevatore. Prevedendo accuratamente come i cristalli si degraderanno e recupereranno, il metodo offre un modo per perfezionare le strategie di calibrazione utilizzate dall'esperimento. Questo non è solo un esercizio teorico; ha un valore pratico per i migliaia di scienziati che si affidano al Compact Muon Solenoid per effettuare misurazioni precise dell'universo. Se i sensori del rilevatore sono opacizzati e non corretti, i dati che raccolgono diventano inaffidabili. Utilizzando questi strumenti predittivi, la collaborazione può garantire che le misurazioni rimangano nitide e accurate, anche mentre la macchina continua a operare in uno degli ambienti più carichi di radiazioni sulla Terra. I ricercatori intendono espandere questo lavoro per includere più cristalli ed esplorare strategie di apprendimento ancora più avanzate, con l'obiettivo di costruire un sistema che possa gestire l'intero rilevatore contemporaneamente. Per ora, il successo di questo approccio fornisce una solida base per mantenere la fotocamera di particelle più potente del mondo a fuoco perfettamente.