On-Detector Machine Learning for Beam-Induced Background Rejection at a 10 TeV Muon Collider

In hun zoektocht naar de diepste natuurwetten ontwerpen natuurkundigen machines die in staat zijn om deeltjes op elkaar te laten botsen met energieën die ver boven wat we momenteel kunnen bereiken liggen. Een van de meest veelbelovende ideeën voor de volgende generatie van deze machines is een muon-collider. Muonen zijn deeltjes die vergelijkbaar zijn met elektronen maar veel zwaarder zijn, en omdat ze zo zwaar zijn, kunnen ze tot ongelooflijke snelheden worden versneld zonder zoveel energie te verliezen als lichtere deeltjes zouden doen. Een machine die in staat is om muonen te laten botsen bij tien biljoen elektronvolt zou fungeren als een krachtige microscoop, waardoor wetenschappers de structuur van materie en de krachten die het universum bij elkaar houden met ongekende helderheid kunnen onderzoeken.

Het bouwen van een dergelijke machine brengt echter een uniek en vormend obstakel met zich mee. In tegen tegenstelling tot andere deeltjes zijn muonen instabiel en vervallen ze zeer snel in andere deeltjes, waaronder elektronen en neutrino's. Binnen de collider-ring vinden deze vervallen constant plaats, wat een storm van rondvliegende deeltjes creëert die de detectoren rondom het botsingspunt overspoelen. Deze achtergrondruis is zo intens dat het de sensoren bedreigt te overweldigen, waardoor ze zo vol raken met data dat de elektronica het niet kan bijhouden. Als de detectoren begraven liggen onder deze ruis, zullen de zeldzame, kostbare signalen van de werkelijke botsingen tussen de muonen verloren gaan, wat de machine nutteloos maakt voor ontdekkingen. De uitdaging is daarom niet alleen om een krachtige versneller te bouwen, maar om een detector te bouwen die slim genoeg is om de ruis in real time te negeren.

Een team van onderzoekers heeft dit probleem aangepakt door de eigen elektronica van de detector te leren denken. In een nieuwe studie onderzochten zij het gebruik van machine learning, een vorm van kunstmatige intelligentie, om de achtergrondruis direct binnen de sensorchips te filteren voordat de data zelfs maar naar de hoofdcomputer wordt verzonden. De onderzoekers concentreerden zich op de binnenste laag van de detector, een rooster van minuscule pixels die ontworpen zijn om de paden van deeltjes te volgen. Wanneer een deeltje uit een botsing een dit rooster raakt, laat het een specifiek patroon van elektrische signalen achter. De achtergrondruis van de muon-vervallen laat een ander patroon achter. Door computeralgoritmen te trainen om de vorm van deze patronen te herkennen, had het team als doel een systeem te creëren dat onmiddellijk kan beslissen welke hits behouden moeten worden en welke weggegooid moeten worden.

De onderzoekers simuleerden de omgeving van een toekomstige tien-biljoen-elektronvolt muon-collider om hun ideeën te testen. Ze genereerden miljoenen digitale voorbeelden van hoe een signaal van een echte botsing eruitziet en hoe de achtergrondruis eruitziet wanneer deze de pixel-sensoren raakt. Ze kwamen tot de conclusie dat de twee soorten hits er duidelijk verschillend uitzien. Deeltjes van de botsing hebben de neiging om in rechte lijnen vanuit het centrum van de machine te reizen, wat compacte, voorspelbare vormen op de sensor creëert. In contrast hiermee komen de achtergronddeeltjes vaak van de zijkanten of onder vreemde hoeken aan, wat lange, rommelige en onregelmatige vormen creëert. Het team ontwierp drie verschillende soorten neurale netwerken, computerprogramma's gemodelleerd naar het menselijk brein, om te leren hoe ze tussen deze twee vormen kunnen onderscheiden. Deze netwerken werden ontworpen om zeer lichtgewicht te zijn, wat betekent dat ze zeer weinig rekenkracht gebruiken, zodat ze potentieel direct op de siliciumchips gebouwd kunnen worden die de detectordata uitlezen.

De resultaten van de simulatie waren bemoedigend. De machine learning-algoritmen bleken zeer effectief in het identificeren en verwijderen van de achtergrondruis, terwijl ze bijna alle waardevolle botsingsdata behielden. De best presterende modellen waren in staat om tussen de 88 en 90 procent van de achtergrondhits af te wijzen, terwijl ze 99 procent van de signalevents behielden. Dit prestatieniveau is cruciaal omdat het vertaalt naar een enorme reductie in de hoeveelheid data die de detector moet verwerken. In plaats van te proberen elke enkele hit uit te lezen, wat datasnelheden zou vereisen die ver buiten de huidige mogelijkheden liggen, kan de detector de ruis ter plekke filteren. De studie toonde ook aan dat deze machine learning-modellen geïmplementeerd kunnen worden op gespecialiseerde computerchips die bekend staan als application-specific integrated circuits (ASIC's), die klein en efficiënt zijn en in staat zijn om te opereren in de harde stralingsomgeving van een collider.

Een van de meest significante bevindingen was dat deze aanpak een nieuwe manier biedt om het probleem op te lossen die niet uitsluitend op timing berust. Eerdere strategieën voor het verminderen van achtergrondruis waren afhankelijk van het nauwkeurig meten van wanneer een deeltje arriveerde, in de hoop alleen die te vangen die op het exacte moment van de botsing arriveerden. Hoewel timing effectief is, vereist het extreement precieze en stabiele klokken, die moeilijk te onderhouden zijn. De nieuwe studie toonde aan dat het kijken naar de vorm van de deeltjeshit informatie biedt die onafhankelijk is van timing. De machine learning-modellen konden achtergronddeeltjes identificeren, zelfs als ze op hetzelfde moment als de signaaldeeltjes arriveerden, simpelweg omdat hun vorm fout was. Dit betekent dat de detector potentieel een combinatie van timing en vormanalyse kan gebruiken om nog betere resultaten te behalen, of misschien de strikte eisen aan timingprecisie kan versoepelen, wat het algehele detectorontwerp haalbaarder maakt.

De onderzoekers onderzochten ook de praktische kosten van het implementeren van deze technologie in de hardware. Ze vonden dat hoewel complexere computermodellen iets meer ruis konden afwijzen, ze aanzienlijk meer ruimte en stroom op de chip vereisten. De eenvoudigere modellen, die minder berekeningen gebruikten, boden de beste balans. Ze pasten in een minuscuul gebied op een siliciumchip, geschat op minder dan 1 vierkante millimeter, en konden snel genoeg opereren om het snelle tempo van de deeltjesbotsingen bij te houden. Dit suggereert dat het fysiek mogelijk is om een detector te bouwen die voor zichzelf denkt en de chaos van de achtergrondruis van de muon-collider direct bij de bron wegfiltert.

Dit werk vormt een cruciale stap naar het werkelijkheid maken van een muon-collider. Door aan te tonen dat machine learning direct in de hardware van de detector kan worden ingebed om het probleem van de data-overbelasting op te lossen, hebben de onderzoekers een levensvatbaar pad vooruit geboden. De studie bevestigt dat de intense achtergrondruis, die ooit als een deal-breaker voor muon-colliders werd beschouwd, beheersbaar is met slimme elektronica. Als deze ontwerpen worden gebouwd en getest, zouden ze het potentieel van een tien-biljoen-elektronvolt muon-collider kunnen ontsluiten, waardoor wetenschappers in staat zijn om in de fundamentele aard van het universum te kijken met een helderheid die nooit eerder mogelijk is geweest. Het pad naar ontdekking omvat nu niet alleen het bouwen van grotere machines, maar ook het bouwen van slimmere sensoren.