Electron Identification using Machine Learning in the MPD Experiment at NICA

In het hart van de materie, waar atomen oplossen in een soep van hun kleinste bouwstenen, ligt een staat van bestaan die kort na de oerknal het hele universum vulde. Wetenschappers noemen dit het quark-gluonplasma, een kolkende, extreem hete vloeistof waarin protonen en neutronen uiteenvallen in hun constituerende quarks en gluonen. Om deze oerstaat te bestuderen, recreëren onderzoekers deze in het laboratorium door zware atoomkernen met ongelooflijke snelheden tegen elkaar aan te laten botsen. Deze botsingen genereren extreme temperaturen en druk, waardoor er kortstondig een minuscuul druppeltje van deze materie uit het vroege universum ontstaat. Echter, om te begrijpen wat er binnenin die druppel gebeurde, moeten wetenschappers in staat zijn om de specifieke deeltjes te zien die uit de explosie ontsnappen. Onder de belangrijkste boodschappers zijn elektronen, die een zuiver signaal dragen van de omstandigheden binnen de vuurball. Maar het vinden van deze elektronen is als het proberen te spotten van een enkele zilveren naald in een hooiberg van gouden naalden, omdat de botsingen miljarden andere deeltjes produceren die er zeer vergelijkbaar uitzien.

Bij de Nuclotron-gebaseerde Ion Collider Facility in Rusland wordt een enorme nieuwe experimentele opstelling gebouwd, de Multi-Purpose Detector, om deze botsingen op te vangen. De faciliteit is ontworpen om ionen op energieën tegen elkaar te laten botsen die wetenschappers in staat stellen te onderzoeken hoe materie zich gedraagt wanneer deze gepakt is met een hoge dichtheid van protonen en neutronen, een conditie die vergelijkbaar is met de kern van een neutronenster. De detector is een grote, tonvormige machine gevuld met lagen sensoren die de paden en energieën van deeltjes volgen terwijl ze uit het botsingspunt wegvliegen. Een van de meest cruciale taken voor de wetenschappers die met deze machine werken, is het onderscheiden van de zeldzame elektronen van de overweldigende achtergrond van andere geladen deeltjes, zoals pionen en protonen. Als zij deze signalen niet zuiver kunnen scheiden, blijft de natuurkunde die zij hopen te ontdekken verborgen.

De onderzoekers achter deze studie richtten zich op een specifieke uitdaging: hoe elektronen met de hoogst mogelijke nauwkeurigheid te identificeren zonder er te veel te verliezen tijdens het proces. Traditioneel hebben wetenschappers een methode gebruikt die gebaseerd is op eenvoudige, eendimensionale regels. Ze keken naar de snelheid of het energieverlies van een deeltje en trokken een lijn, waarbij ze alles aan één kant behielden en de rest weggooiden. Hoewel deze aanpak rechtlijnig is, is hij bot. Om te garanderen dat ze niet de verkeerde deeltjes behouden, moeten ze de regels zeer strikt instellen, wat onvermijdelijk veel van de juiste elektronen samen met de slechte deeltjes weggooit. Het team wilde weten of ze het beter konden doen door gebruik te maken van machine learning, een type computerprogramma dat kan leren complexe patronen in data te herkennen in plaats van strikte, vooraf ingestelde regels te volgen.

Om dit idee te testen, creëerde het team een gedetailleerde computersimulatie van de respons van de detector op botsingen tussen zware bismuthkernen. Ze genereerden een enorme dataset van gesimuleerde deeltjesbanen, waarbij elke baan werd gelabeld als ofwel een elektron of een achtergronddeeltje. Vervolgens leerden ze twee verschillende soorten machine learning-algoritmen om deze data te sorteren. De eerste was een neuraal netwerk, een systeem dat gemodelleerd is naar het menselijk brein en leert door verbindingen tussen lagen van eenvoudige verwerkingseenheden aan te passen. Het tweede was een 'boosted decision tree', die werkt door een lange reeks ja-of-nee-vragen te stellen om de identiteit van een deeltje te verfijnen. Beide systemen werden gevoed met een verscheidenheid aan metingen, waaronder de impuls van het deeltje, hoeveel energie het verloor terwijl het door het detectorgas vloog, en hoe de snelheid zich verhoudt tot de energie.

De onderzoekers ontdekten dat de machine learning-benaderingen de traditionele methode aanzienlijk overtroffen. Wanneer ze de standaard eendimensionale regels gebruikten, kon het systeem een hoge zuiverheid bereiken, wat betekent dat de elektronen die ze behielden bijna zeker echt waren, maar het slaagde er slechts in om ongeveer de helft van de beschikbare elektronen te vinden. De machine learning-modellen waren echter in staat om ongeveer 50 procent meer elektronen te vinden terwijl ze diezelfde hoge zuiverheid behielden. Deze verbetering was niet uniform over alle snelheden; de algoritmen moesten verschillend worden onderwezen afhankelijk van hoe snel de deeltjes bewogen. Door aparte modellen te trainen voor verschillende momentumgebieden, zorgde het team ervoor dat het systeem accuraat bleef, zelfs voor de snelste deeltjes, waar de traditionele methoden de neiging hebben te falen.

Een van de meest interessante ontdekkingen was hoe de twee machine learning-modellen het probleem verschillend benaderden. Het neurale netwerk neigde sterk te vertrouwen op de verhouding tussen de energie en de impuls van een deeltje, een meting die bijzonder nuttig is voor het identificeren van elektronen bij hoge snelheden. De decision tree daarentegen gebruikte frequent de meting van het energieverlies in het gas, ongeacht de snelheid van het deeltje. Dit verschil suggereert dat de twee algoritmen verschillende manieren vonden om het signaal van de ruis te onderscheiden, maar beide slaagden waar de oude methode tekortschoot. Het resultaat is een instrument dat fysici in staat stelt om meer van de zeldzame elektronen te zien die uit de botsing ontsnappen, wat effectief de hoeveelheid bruikbare data die zij voor hun analyse kunnen verzamelen, verdubbelt.

Dit werk vormt een cruciale stap voorwaarts voor de Multi-Purpose Detector terwijl deze zich voorbereidt op de operationele fase. De beschreven machine learning-technieken zijn niet louter theoretische oefeningen; het zijn praktische instrumenten die gebruikt zullen worden om echte data te analyseren zodra de detector volledig in bedrijf is genomen. Door het vermogen om elektronen te identificeren te verbeteren, zal het experiment de eigenschappen van het quark-gluonplasma met veel grotere precisie kunnen bestuderen. De onderzoekers merken op dat hoewel deze resultaten uit simulaties komen, ze een sterke fundering bieden voor de werkelijke data-analyse. Het vermogen om meer signaal uit dezelfde hoeveelheid data te extraheren, betekent dat het experiment fundamentele vragen over de aard van materie en het vroege universum kan beantwoorden met een helderheid die voorheen onbereikbaar was.