Reconstructing short-lived particles using hypergraph representation learning

Binnen de Large Hadron Collider, een enorme ring van magneten die begraven ligt onder de Zwitsers-Franse grens, laten wetenschappers protonen tegen elkaar aan botsen met bijna de snelheid van het licht. Deze botsingen recreëren de verzengende energie van de eerste momenten van het universum, wat een cascade van nieuwe deeltjes teweegbrengt. De meeste van deze deeltjes zijn zwaar en ongelooflijk kortstondig, waarbij ze bijna onmiddellijk vervallen in een sproei van stabieler puin. Om de fundamentele natuurwetten te begrijpen, moeten natuurkundigen de oorspronkelijke, vluchtige deeltjes reconstrueren uit dit puin, vergelijkbaar met een forensisch expert die probeert de vorm van een gebroken vaas af te leiden door de verspreide scherven te bestuderen. De uitdaging ligt in het enorme aantal stukjes; wanneer zware deeltjes vervallen, produceren ze vaak tot wel 20 "jets"—smalle stromen deeltjes die in specifieke richtingen wegvliegen. Bepalen welke jets afkomstig waren van welk ouderdeeltje is een puzzel van ongekende complexiteit, vooral wanneer het puin onzichtbare deeltjes bevat die geen spoor achterlaten in de detector.

Een team onderzoekers aan de Universiteit van Manchester heeft een nieuwe manier ontwikkeld om deze puzzel op te lossen, een methode die de botsingsdata niet behandelt als een eenvoudige lijst van deeltjes, maar als een complex web van relaties. Ze noemen hun methode HyPER. In plaats van naar deeltjes in isolatie of slechts in paren te kijken, gebruikt HyPER een wiskundige structuur genaamd een hypergraaf om te begrijpen hoe groepen deeltjes tegelijkertijd met elkaar verbonden zijn. In een standaardbenadering zou een computer kunnen proberen deeltje A aan deeltje B te koppelen, en vervolgens deeltje B aan deeltje C, waarbij stap voor stap een keten wordt opgebouwd. HyPER kan echter een hele groep deeltjes tegelijkertijd bekijken en vragen: "Vormen deze drie specifieke deeltjes samen één enkel ouderdeeltje?" Deze verschuiving in perspectief stelt het systeem in staat om patronen te zien die eenvoudigere methoden missen, met name in gebeurtenissen waarbij het aantal deeltjes zeer hoog is.

De onderzoekers testten dit nieuwe systeem op een specifiek type botsing waarbij een paar topkwarken—de zwaarste bekende elementaire deeltjes—volledig vervallen in jets. In dit scenario breken de twee topkwarken af in zes quarks, die vervolgens veranderen in zes jets, plus eventuele extra jets die worden gecreëerd door de gewelddadige botsing zelf. Het doel is om correct te identificeren welke drie jets bij één topkwark horen en welke drie bij de andere. Het team trainde hun HyPER-model op miljoenen gesimuleerde botsingen, waarbij het leerde om de juiste groeperingen te herkennen. Ze zetten het vervolgens af tegen twee van de meest geavanceerde bestaande methoden die vandaag de dag door natuurkundigen worden gebruikt. De resultaten toonden aan dat HyPER in staat was om de ouderdeeltjes correct te reconstrueren in 67 procent van de gevallen, waarmee het de andere methoden overtrof die in ongeveer 65 procent en 64,5 procent van de gevallen succesvol waren.

Wat deze prestatie bijzonder significant maakt, is niet alleen de lichte toename in nauwkeurigheid, maar ook de efficiëntie waarmee dit werd bereikt. Het HyPER-model is opmerkelijk klein en bevat ongeveer 3.450 trainbare parameters. Ter vergelijking: de concurrerende modellen hebben miljoenen parameters nodig om te functioneren. Om dit in perspectief te plaatsen, bevat het nieuwe model een factor 20 minder parameters dan een van de bestaande instrumenten, en toch levert het betere resultaten. Deze efficiëntie is van belang omdat het betekent dat het model minder waarschijnlijk "overfit", ofwel de trainingsdata uit het hoofd leert in plaats van de onderliggende fysica te begrijpen, en het vereist veel minder rekenkracht om te draaien. De onderzoekers ontdekten dat zelfs wanneer ze de hoeveelheid beschikbare trainingsdata verminderden, HyPER het meest nauwkeurige instrument bleef, wat suggereert dat het robuust genoeg is om de beperkte datasets te verwerken die vaak voorkomen bij zeldzame fysica-onderzoeken.

Het succes van HyPER opent de deur naar het bestuderen van nog complexere en zeldzamere gebeurtenissen in de deeltjesfysica. Omdat het systeem is ontworpen om groepen deeltjes van elke omvang te verwerken, zou het uiteindelijk gebruikt kunnen worden om deeltjes te reconstrueren die vervallen in vier, vijf of meer jets. Hoewel de huidige studie zich concentreerde op alle-hadronische vervalprocessen waarbij neutrino's afwezig zijn, merken de onderzoekers op dat toekomstig werk erop gericht is de methode uit te breiden om ook de reconstructie van de kinematica van de eindtoestand-neutrino's te omvatten. De onderzoekers hebben aangetoond dat hun benadering goed werkt voor het specifieke geval van topkwarkparen, maar de onderliggende methode is flexibel genoeg om toegepast te worden op een breed scala aan fysische processen. Door een krachtiger en efficiënter middel te bieden om de relaties tussen deeltjes te visualiseren, biedt HyPER een nieuw instrument om in de fundamentele structuur van het universum te kijken, wat wetenschappers helpt om het signaal van nieuwe fysica te onderscheiden van de achtergrondruis van de bekende wereld.