Symbolic Regression for Interpretable Emulation of Proton Collective Flow in Intermediate-Energy Heavy-Ion Collisions

In het hart van de materie, waar protonen en neutronen aan elkaar binden om de kernen van atomen te vormen, ligt een wereld die wordt beheerst door krachten die moeilijk direct te meten zijn. Wanneer wetenschappers zware atoomkernen met hoge snelheid tegen elkaar aan laten botsen, creëren deze deeltjes een vluchtige, superdichte staat van materie die de omstandigheden nabootst die worden aangetroffen in de kernen van neutronensterren of het vroege universum. Om te begrijpen wat er gebeurt tijdens deze botsingen, vertrouwen onderzoekers op complexe computersimulaties die fungeren als virtuele laboratoria. Deze modellen berekenen hoe deeltjes interageren op basis van specifieke regels over kernkrachten en de stijfheid van materie. Het draaien van deze simulaties is echter ongelooflijk traag en rekentechnisch duur, waardoor het moeilijk is om elke mogelijke variatie van de regels te testen om te zien welke overeenkomt met de werkelijkheid. Wetenschappers hebben een manier nodig om de uitkomst van deze botsingen snel te voorspellen zonder uren of dagen te hoeven wachten op een volledige computerberekening, en ze moeten ook achteruit kunnen werken: om naar de brokstukken van een botsing te kijken en te ontdekken wat de onderliggende regels moeten zijn geweest.

Een team van onderzoekers aan de East Texas A&M University heeft een nieuwe methode ontwikkeld om dit probleem op te lossen, die een snellere en transparantere manier biedt om de fysica van zwaart-ionenbotsingen te navigeren. Ze richtten zich op twee belangrijke metingen van deze botsingen: de manier waarop protonen zijwaarts stromen en de manier waarop ze uitrekken tot een ovale vorm terwijl ze uiteenvliegen. Deze stroompatronen fungeren als vingerafdrukken van de kernmaterie die tijdens de botsing wordt gecreëerd. Het team gebruikte een techniek genaamd symbolische regressie, een vorm van machine learning die niet alleen is ontworpen om patronen te vinden, maar om daadwerkelijk de wiskundige formules op te schrijven die hen beschrijven. In tegen tegenstelling tot standaard kunstmatige intelligentiemodellen die fungeren als 'black boxes' — die inputs nemen en outputs geven zonder te onthullen hoe ze daar kwamen — produceert deze nieuwe aanpak duidelijke, geschreven vergelijkingen die voor iedereen leesbaar en begrijpelijk zijn. De onderzoekers vergeleken deze methode met diepe neurale netwerken, het meer gebruikelijke type machine learning dat in de natuurkunde wordt gebruikt, om te zien welk instrument beter was in het emuleren van de trage, zware simulaties.

De studie toonde aan dat de methode van symbolische regressie net zo nauwkeurig was als de diepe neurale netwerken bij het voorspellen van de stroom van protonen vanuit de botsingsomstandigheden. Belangrijker nog, het leverde de expliciete formules die de link leggen tussen de botsingsinstellingen en de resultaten. Zodra deze formules waren gevonden, konden ze worden gebruikt om voorspellingen te doen die miljoenen keren sneller zijn dan de neurale netwerken. Hoewel de neurale netwerken aanvankelijk sneller klaar waren met opzetten, waren de symbolische formules zo efficiënt dat ze een miljoen berekeningen in slechts enkele seconden konden uitvoeren, terwijl de neurale netwerken er enkele minuten over deden om hetzelfde werk te verrichten. Deze snelheid is cruciaal voor wetenschappers die massale statistische tests moeten uitvoeren om de onzekerheid in hun metingen te begrijpen. De onderzoekers draaiden het proces ook om door de formules te gebruiken om vanuit de geobserveerde stroom terug te werken naar de eigenschappen van de kernmaterie, zoals de mate waarin de deeltjes weerstand bieden tegen het samengedrukt worden.

De onderzoekers ontdekten echter dat het achteruit werken niet altijd eenvoudig was. Hoewel de methode succesvol één belangrijke eigenschap voorspelde die gerelateerd is aan hoe deeltjes van elkaar wegverstrooien, had het meer moeite met het voorspellen van de stijfheid van de kernmaterie, vooral bij lagere botsingsenergieën. De formules gaven soms resultaten die meer varieerden van de ene run naar de andere in vergelijking met de neurale netwerken, wat suggereert dat de relatie tussen de stroom en de stijfheid van de materie complex is en misschien niet volledig wordt gevangen door de eenvoudige formules die de computer mocht vinden. Het team merkte op dat de stroomgegevens alleen mogelijk niet genoeg informatie bevatten om de stijfheid perfect vast te stellen, of dat de wiskundige vormen die zij gebruikten te simpel waren om de subtiele rimpelingen en golfjes in de data te beschrijven. Ondanks deze uitdagingen biedt het vermogen om heldere, leesbare vergelijkingen te genereren die met lichtsnelheid draaien, een krachtig nieuw instrument. Het stelt natuurkundigen in staat om precies te zien hoe verschillende factoren de uitkomst van een botsing beïnvloeden, in plaats van alleen maar te vertrouwen op een computergok.

De onderzoekers testten hun aanpak met gegevens uit echte experimenten uitgevoerd door de FOPI- en HADES-collaboraties, die deze botsingen al jarenlang bestuderen. Ze ontdekten dat hun nieuwe formules voor het grootste deel de resultaten van de zware computersimulaties met hoge precisie konden reproduceren. De methode werkte goed over een breed scala aan botsingssnelheden, van 150 tot 800 miljoen elektronvolt per nucleon. Het team controleerde ook hoe gevoelig hun resultaten waren voor de hoeveelheid gegevens die werd gebruikt voor training en testen, en stelde vast dat de nauwkeurigheid stabiel bleef, zelfs wanneer ze de omvang van de datasets veranderden. Ze bevestigden ook dat de methode even goed werkte of ze nu de ruwe getallen uit de simulaties gebruikten of getallen die waren geschaald om ze gemakkelijker hanteerbaar te maken, waarbij ze ervoor kozen de originele getallen te behouden om ervoor te zorgen dat de uiteindelijke formules een fysieke betekenis hadden.

Uiteindelijk laat dit werk zien dat machine learning meer kan doen dan alleen voorspellingen doen; het kan wetenschappers helpen de onderliggende taal van de natuur te ontdekken. Door expliciete vergelijkingen te bieden, overbrugt symbolische regressie de kloof tussen complexe computermodellen en menselijk begrip. Hoewel de neurale netwerken een sterk instrument blijven voor consistentie, biedt de nieuwe methode een uniek voordeel: het geeft onderzoekers een snelle, transparante kaart van de fysica die in het spel is. Dit is bijzonder waardevol voor toekomstige studies waarbij wetenschappers enorme mogelijkheden moeten verkennen om de fundamentele eigenschappen van materie te begrijpen. De studie suggereert dat hoewel sommige relaties in de kernfysica te complex zijn voor eenvoudige formules, veel andere duidelijk en snel kunnen worden vastgelegd, wat de deur opent naar diepere inzichten in de bouwstenen van het universum zonder de noodzaak van eindeloze, trage computerberekeningen.