A High- and Variable-Dimensional Measurement of the $Z$+jets Differential Cross Section with the ATLAS Experiment and Artificial Intelligence

De Large Hadron Collider is een machine die gebouwd is om protonen met zulke hoge energieën op elkaar te laten botsen dat ze uiteenvallen in een wolk van kleinere, fundamentele deeltjes. Wanneer deze botsingen plaatsvinden, vliegen de brokstukken niet in willekeurige richtingen; in plaats daarvan dwingen de wetten van de fysica de fragmenten om samen te klonteren in compacte, kegelvormige sproeiers die bekend staan als jets. Deze jets zijn de primaire manier waarop wetenschappers de sterke kernkracht bestuderen, de onzichtbare lijm die de bouwstenen van materie bij elkaar houdt. Decennialang hebben natuurkundigen geprobeerd deze jets te begrijpen door specifieke, vooraf gekozen eigenschappen te meten, zoals de totale energie of de massa van de sproeier. Deze aanpak is echter als het proberen te begrijpen van een complex schilderij door alleen de totale massa of de gemiddelde kleur te meten. Het mist de intrikate details van hoe de verf daadwerkelijk is aangebracht. De uitdaging was altijd geweest dat de data van deze botsingen zo enorm en hoogdimensionaal is dat traditionele instrumenten niet elk detail kunnen vastleggen zonder de verbindingen ertussen te verliezen.

Een nieuwe studie door Kevin Greif, een onderzoeker aan de University of California, Irvine, verandert de manier waarop deze data wordt verwerkt. In samenwerking met het ATLAS-experiment bij de Large Hadron Collider heeft Greif een methode ontwikkend om de productie van een specifiek type deeltjesgebeurtenis te meten, waarbij een Z-bos wordt gecreëerd naast een sproeier van deeltjes, zonder de data ooit in een vereenvoudigde doos te dwingen. In plaats van een paar kenmerken te kiezen om te meten, gebruikte het team kunstmatige intelligentie om de gehele gebeurtenis te reconstrueren, waarbij de positie en impuls van elk individueel geladen deeltje dat betrokken is, behouden blijft. Deze aanpak stelt hen in staat om naar de data te kijken in haar ruwe, volledige complexiteit, waardoor een volledige kaart van de botsing wordt gecreëerd in plaats van een samenvatting. Het resultaat is een meting die veel gedetailleerder is dan alles wat voorheen bereikt is, waarbij patronen in de data worden onthuld die voorheen verborgen bleven omdat ze te complex waren om te berekenen.

De kern van dit werk betreft een techniek genaamd unfolding (ontvouwing), wat in essentie een manier is om de vervagingseffecten van de detector ongedaan te maken. Wanneer deeltjes de ATLAS-detector raken, registreert de machine hun signalen, maar deze signalen zijn niet perfect; ze zijn vervormd en verstoord door de machines zelf. Om te begrijpen wat er werkelijk tijdens de botsing gebeurde, moeten natuurkundigen deze verstoring wiskundig ongedaan maken. Traditioneel werd dit gedaan door deeltjes in bins (bakjes) te sorteren, zoals het in bakjes leggen van knikkers op basis van hun grootte. Maar deze methode verliest informatie over hoe de knikkers met elkaar samenhangen. Greifs team gebruikte een geavanceerde vorm van kunstmatige intelligentie, specifiek een type generatief model, om deze omkering uit te voeren. In plaats van deeltjes in bakjes te sorteren, leerde de AI de relatie tussen de rommelige detectiesignalen en de zuivere, ware fysica van de botsing. Het paste deze kennis vervolgens toe op de echte data, waardoor de lagen van detectorruis effectief werden weggepeld om de onderliggende waarheid van elke gebeurtenis te onthullen.

Deze methode stelde de onderzoekers in staat om de dwarsdoorsnede, oftewel de waarschijnlijkheid, van het Z-bos productieproces over een groot aantal dimensies tegelijkertijd te meten. Terwijl eerdere metingen misschien twintig of dertig verschillende eigenschappen tegelijkertijd bekeken, legde deze nieuwe analyse tot wel 843 dimensies aan informatie tegelijkertijd vast. Het team mat niet slechts één ding; ze creëerden een dataset die het volledige verhaal van de botsing bevat. Uit deze enkele dataset konden zij metingen van vele verschillende fysieke grootheden extraheren zonder de experimenten te hoeven herhalen of de complexe berekeningen opnieuw te hoeven uitvoeren. Het is also well of ze een enkele, hoogresolutiefoto van een complexe scène hebben genomen en zich er vervolgens van realiseerden dat ze die ene afbeelding konden gebruiken om de snelheid van een auto, de temperatuur van de lucht en de afstand tussen twee bomen te meten, allemaal met perfecte nauwkeurigheid, simpelweg door naar de juiste delen van de foto te kijken.

De onderzoekers testten deze nieuwe aanpak door vier specifieke soorten fysieke eigenschappen te meten om te zien hoe goed hun methode werkte. Eerst keken ze naar de onderliggende activiteit van de botsing, waarbij ze het aantal geladen deeltjes en hun totale impuls telden. Ze ontdekten dat de computer-simulaties die deze gebeurtenissen voorspellen vaak de plank misslaan, waarbij sommige simulaties waarden voorspelden die dertig procent hoger of lager lagen dan wat de data daadwerkelijk liet zien. Deze discrepantie benadrukt dat ons huidige begrip van hoe deeltjes vormen en interageren nog steeds incompleet is. Ten tweede onderzochten ze de vorm van de jets zelf, specif van de manier waarop de energie vanuit het centrum van de jet naar buiten toe wordt verdeeld. Door hun hoogdimensionale methode te gebruiken, konden ze schakelen tussen verschillende manieren om een jet te definiëren en direct zien hoe de vorm veranderde, wat onthulde dat bepaalde kenmerken van de jet eigenlijk werden veroorzaakt door de manier waarop de computer de deeltjes groepeerde, in plaats van door de fysica van de botsing zelf.

Ten derde mat het team een eigenschap genaamd de energy-energy correlator, die bijhoudt hoe de energie van deeltjes gerelateerd is op basis van de hoek tussen hen. Deze meting is moeilijk omdat het vereist om naar paren deeltjes te kijken over een breed scala aan hoeken. De nieuwe methode legde deze relatie succesvol vast over de gehele gebeurtenis, waarbij drie duidelijke regimes van gedrag werden getoond: een regio waar deeltjes onafhankelijk optreden, een middelste regio waar ze de regels van de sterke kernkracht volgen, en een laatste regio waar ze zich gedragen als vrije deeltjes. Dit bood een duidelijk, gedetailleerd beeld van hoe de sterke kernkracht op verschillende schalen werkt, waarbij de theoretische voorspellingen in het middelste bereik werden bevestigd, terwijl het ook liet zien waar de huidige modellen tekortschieten op de kleinste schalen. Ten slotte mat het team de intrinsieke dimensionaliteit van de jets, een concept dat vraagt hoeveel getallen er werkelijk nodig zijn om de structuur van de jet te beschrijven. Ze ontdekten dat, ondanks dat de jets eruit zagen alsof ze uit tientallen deeltjes bestonden, de onderliggende structuur beschreven kon worden door slechts een paar dimensies. Dit suggereert dat de complexe sproeier van deeltjes in feite wordt beheerst door een veel eenvoudiger reeks regels dan het lijkt, en dat ze clusteren op een manier die het voor computers gemakkelijker maakt om te leren en te voorspellen.

De betekenis van dit werk strekt zich uit voorbij alleen deze specifieke metingen. Door te bewijzen dat het mogelijk is om de volledige faseruimte van een botsing te meten zonder informatie te verliezen, opent de studie de deur naar een nieuw tijdperk van deeltjesfysica-analyse. De gegenereerde dataset van deze meting is geen statische lijst met getallen, maar een flexibele bron die andere wetenschappers kunnen gebruiken om hun eigen theorieën te testen en naar nieuwe fenomenen te zoeken. De onderzoekers hebben deze dataset publiekelijk beschikbaar gesteld, waardoor iedereen de data kan projecteren op elke observeerbare grootheid die zij willen bestuderen. Dit verschuift de focus van het proberen te raden welke specifieke meting nieuwe fysica zou onthullen, naar het creëren van een uitgebreide bibliotheek van data die kan worden gebruikt voor antwoorden op vragen die we nog niet eens gesteld hebben.

De studie behandelt ook de beperkingen van huidige computermodellen. De onderzoekers ontdekten dat hoewel de simulaties goed zijn in het voorspellen van het algemene gedrag van deeltjes, ze vaak de fijnere details missen, met name in hoe deeltjes worden verdeeld en hoe ze op de kleinste schalen met elkaar interageren. De discrepanties tussen de data en de simulaties suggereren dat de modellen voor hoe deeltjes vormen tot hadronen, het proces dat hadronisatie wordt genoemd, moeten worden verfijnd. De hoog-precieze data geleverd door deze nieuwe methode biedt een manier om deze modellen af te stemmen, wat potentieel kan leiden tot nauwkeurigere voorspellingen voor toekomstige experimenten. Dit is cruciaal voor de High-Luminosity LHC, de volgende upgrade van de collider, die nog meer data zal produceren en nog preciezere instrumenten zal vereisen om deze te interpreteren.

In de bredere context van wetenschappelijk onderzoek demonstreert dit werk de kracht van kunstmatige intelligentie, niet alleen als een hulpmiddel voor classificatie, maar als een methode voor fundamentele ontdekking. De AI sorteerde de data niet alleen; het reconstrueerde de fysieke realiteit achter de ruis. Deze aanpak daagt de traditionele manier van natuurkunde uit, waarbij wetenschappers problemen vaak vereenvoudigen om ze oplosbaar te maken. In plaats daarvan laat deze studie zien dat door de volledige complexiteit van de data te omarmen, we waarheden kunnen onthullen die voorheen onzichtbaar waren. De auteur suggereert dat deze methode de standaardpraktijk moet worden voor toekomstige experimenten, waardoor de gemeenschap kan bewegen van een stuksgewijze meting naar een holistisch begrip van deeltjesinteracties.

Het artikel kijkt ten slotte vooruit naar de potentie van deze technieken. De onderzoekers geloven dat naarmate kunstmatige intelligentie zich blijft ontwikkelen, het wetenschappers in staat zal stellen om nog meer informatie uit de data van de Large Hadron Collider te extraheren. Ze voorzien een toekomst waarin AI-systemen niet alleen data kunnen analyseren, maar ook kunnen helpen bij het ontwerpen van experimenten en het interpreteren van de resultaten, waardoor het tempo van ontdekking wordt versneld. Hoewel de huidige studie zich richt op een specifiek type botsing, kunnen de ontwikkelde methoden worden toegepast op andere processen, zoals de productie van top-quarks of Higgs-bosonen. Het ultieme doel is om deze instrumenten te gebruiken om afwijkingen van het Standaardmodel, de huidige theorie van de deeltjesfysica, te vinden, wat kan leiden tot de ontdekking van nieuwe deeltjes of krachten. Het werk van Greif en zijn team vormt een cruciale stap in die richting, door een nieuwe manier te bieden om het universum op zijn meest fundamentele niveau te zien.