GNN-based track reconstruction for MUonE experiment

現代物理学の広大な風景の中で、科学者たちは最も成功した理論である標準模型の基礎に潜む亀裂を常に探し求めています。この理論は宇宙が最小スケールでどのように機能するかを示すルールブックとして機能していますが、いくつかの深い問いを未解決のまま残しています。最も執拗な謎の一つは、電子に似ているがより重い粒子であるミューオンに関するものです。数十年にわたり、実験によってこの粒子の磁場中での「ふらつき」、すなわち異常磁気モーメントとして知られる性質が測定されてきました。測定結果は、標準模型の予測値から一貫して、わずかながら頑固な差異を示しています。このギャップは、未知の力や粒子がミューオンに影響を与えている可能性を示唆しており、発見されるのを待っている、より深い現実の層の存在を暗示しています。しかし、これを確定させるためには、物理学者は空間の真空との相互作用による特定の寄与を計算する必要があり、極めて高い精度でその効果を測定しなければなりません。この計算は伝統的な数学を用いて行うには非常に困難であるため、ミューオンが電子とどのように散乱するかを観察することで直接測定するという、MUonEと呼ばれる新しい実験が提案されました。

MUonE実験にとっての課題は、物理学そのものだけでなく、処理しなければならない膨大なデータ量にあります。この実験では、毎秒4,000万回の割合でミューオンのビームをターゲットに照射します。この速度では、コンピュータシステムは、どの衝突が興味深いものであり、どれが単なる背景ノイズであるかを、ほんの一瞬のうちに判断しなければなりません。もしシステムが遅すぎれば、新しい物理学を明らかにする可能性のある稀なイベントを見逃してしまいます。もしフィルタリングが強引すぎれば、科学者が探しているまさにその信号を捨ててしまうかもしれません。このデータを整理する伝統的な手法は、シリコンセンサーに残された微小な信号から粒子の経路を組み立てようとする、複雑で段階的なアルゴリズムを用いたものです。これらは正確ではあるものの、計算負荷が高く、絶え間なく続くビームのペースについていくのが困難です。これを解決するために、ポーランドの研究チームは、線形な命令リストではなく、接続のネットワークとして考えるように設計された、異なる種類の知性に目を向けました。

研究者たちは、オブジェクト間の関係を理解することに長けた人工知能の一種であるグラフニューラルネットワークを用いた新しい手法を開発しました。データを数値のグリッドや画像として扱うのではなく、このシステムは粒子検出器を点と線の地図として捉えます。各点は粒子がセンサーに当たった場所を表し、線はそれらのヒットを繋ぐ可能性のある経路を表します。ネットワークの役割は、どの線が粒子によって辿られた実際の経路であり、どれが単なる偶然の重なりであるかを判別することです。伝統的なアプローチでは、コンピュータはあらゆる可能な経路を構築しようとしてから、それが理にかなっているかを確認しようとしますが、粒子数が増えるにつれてこのプロセスは不可能に近いほど遅くなります。しかし、新しいシステムは接続のウェブ全体を一度に俯瞰し、有効な粒子の軌跡特有の形状を認識することを学習します。

このアイデアをテストするため、チームはセンサーの具体的な配置やミューオンと電子の挙動を含む、MUonE実験の条件を模したシミュレーションデータを使用しました。彼らは数千ものシミュレーションイベントを用いてネットワークを訓練し、粒子の真の経路と偽の接続を区別することを教え込みました。結果は驚くべきものでした。ネットワークは、誤差率1パーセント未満という、最高の伝統的手法に匹始まる精度で正しい経路を特定することに成功しました。さらに重要なことに、それは驚異的なスピードで行われました。従来のアルゴリズムは強力なコンピュータ上で毎秒約3,400イベントを処理できましたが、新しいニューラルネットワークは毎秒31,000イベント以上を処理しました。これは10倍の速度向上を意味し、ボトルネックをスムーズな流れへと事実上変貌させたのです。

経路を見つけるだけでなく、研究者たちはこのシステムが粒子そのものを識別できることも示しました。電子はミューオンよりもはるかに軽いため、衝突した際に鋭い角度で跳ね返ります。ネットワークは、これらの散乱角の微妙な違いを察知することを学習し、その軌跡が電子によるものかミューオンによるものかを正しく識別しました。識別ケースにおいて約12パーセントのミスが発生しましたが、初期段階にあるシステムとしては有望なパフォーマンスです。軌跡の再構成と粒子の識別を同時に行う能力は、このアプローチがデータ分析パイプラインにおける複数の独立したステップを置き換えられる可能性を示唆しています。

この研究の意義は、高エネルギー物理学の実験のあり方を変える可能性にあります。データの整理という複雑なタスクを、実験終了後に科学者が結果を分析する「オフライン」段階から、リアルタイムで意思決定を行う「オンライン」段階へと移行させることで、MUonE実験は、必要とされる稀なイベントのより大きく、よりクリーンなサンプルを捉えることができます。研究者たちは、自分たちの結果はシミュレーションに基づいたものであることを強調していますが、この手法は、実験の今後のテストラン中に収集される実データでテストする準備ができているとしています。もしこのシステムが、シミュレーションと同様に実世界のデータでも優れた性能を発揮すれば、ミューオンのふらつきの謎を最終的に解明するための必要な速度と精度を提供し、現在の理解を超えた先にある新しい物理学への窓を開くことになるかもしれません。