Anomaly detection for multijet scenarios

Decennialang was de zoektocht naar nieuwe fysica een spel van het vinden van een speld in een hooiberg, maar de hooiberg blijft maar groeien. Wetenschappers bij de Large Hadron Collider laten deeltjes met ongelooflijke snelheden op elkaar botsen, in de hoop een glimp op te vangen van iets dat niet thuishoort in het Standaardmodel, het huidige regelboek over hoe het universum werkt. Wanneer ze wel iets nieuws vinden, verschijnt dit vaak als een resonantie, een vluchtig deeltje dat bijna onmiddellijk vervalt in een spray van andere deeltjes. Traditioneel hebben onderzoekers naar deze signalen gezocht door ervan uit te gaan dat ze op een zeer specifieke manier zouden verschijnen, zoals een zwaar deeltje dat uiteenvalt in precies twee jets van puin. Deze aanpak werkt goed wanneer de aanname correct is, maar het laat de deur gesloten voor de overgrote meerderheid van de mogelijkheden. Als een nieuw deeltje vervalt in drie, vier of zelfs meer jets, missen de standaard zoekmethoden het vaak volledig, omdat ze niet naar dat specifieke patroon zoeken.

Deze beperking heeft geleid tot een verschuiving naar een ander soort zoektocht, bekend als anomaliedetectie. In plaats van te raden hoe de nieuwe fysica eruitziet, trainen wetenschappers computers om te herkennen hoe de achtergrondruis eruitziet, en vervolgens alles te markeren dat opvalt als vreemd. Deze methode is krachtig omdat het geen specifieke theorie vereist over wat er gevonden moet worden. Echter, zelfs deze flexibele methoden hebben moeite gehad met complexe gebeurtenissen waarbij het aantal deeltjes-sprays sterk varieert. Een nieuwe studie door Gregor Kasieczka en zijn collega's pakt deze kloof aan door een slimme manier om rommelige data op te schonen te combineren met een geavanceerde techniek voor machine learning. Hun werk demonstreert dat het mogelijk is om vreemde nieuwe fysica op te sporen, ongeacht hoeveel jets er worden geproduceerd, wat de deur opent naar het ontdekken van signalen die voorheen onzichtbaar waren voor de meest geavanceerde zoekstrategieën.

De onderzoekers begonnen door een fundamenteel probleem aan te pakken: hoe definieer je de "massa" van een deeltje wanneer het uiteenvalt in een chaotische spray van puin. In eenvoudige gevallen waar een deeltje splitst in tweeën, kunnen wetenschappers de massa gemakkelijk berekenen door naar de twee resulterende jets te kijken. Maar wanneer een deeltje vervalt in drie of vier jets, of wanneer de jets ongelijkmatig zijn, faalt de standaardberekening en raakt het signaal verloren in een waas. Het team testte een paar verschillende manieren om deze massa te meten. Eén benadering was om simpelweg de massa van elk enkel deeltje in de gebeurtenis bij elkaar op te tellen. Hoewel dit het signaal wel vastlegde, was de resulterende data zo breed en uitgesmeerd dat het onmogelijk was om het nieuwe deeltje te onderscheiden van de achtergrondruis. Het was also$ een specifieke stem proberen te vinden in een stadion vol mensen die allemaal tegelijk schreeuwen; het signaal was er wel, maar werd overstemd.

Om dit op te lossen, paste het team een techniek toe genaamd 'recursive soft drop', een methode die oorspronkelijk is ontworpen om de randen van deeltjes-jets op te schonen. Stel je een rommelige stapel bladeren voor waarbij sommige zwaar en centraal zijn, terwijl andere licht zijn en door de wind worden weggeblazen. Dit algoritme werkt als een zachte wind die de lichte, verspreide bladeren wegblaast, waardoor alleen de zware, centrale klomp overblijft. Door dit proces toe te passen op de gehele gebeurtenis, waren de onderzoekers in staat om de zachte, irrelevante deeltjes weg te strippen die het zicht vertroebelden. Wat overbleef was een veel schonere, scherpere piek in de data. Deze nieuwe meting, die zij de 'recursive soft-drop mass' noemden, stelde hen in staat de resonantie duidelijk te zien, zelfs wanneer het deeltje was vervallen in drie of vier jets. Het signaal viel op tegen de achtergrond net zo duidelijk als in de eenvoudige twee-jet gevallen, wat bewees dat de methode een grote verscheidenheid aan vervalpatronen kon aan.

Met deze schonere manier om de data te zien, testte het team vervolgens een machine learning-systeem dat ontworpen is om anomalieën te vinden. Ze gebruikten een techniek genaamd CATHODE, die werkt door een computer te leren de achtergrondruis te begrijpen in de regio's waar geen signaal wordt verwacht. Zodra de computer begreep hoe de normale achtergrond eruitzag, werd deze getoond aan de regio waar een signaal zich zou kunnen verbergen. Als de computer iets zag dat niet paste bij zijn model van de achtergrond, markeerde hij dit als een potentiële ontdekking. De onderzoekers testten dit systeem op gesimuleerde data die verschillende scenario's vertegenwoordigen, inclus$\nwaaronder deeltjes die vervallen in twee, drie en vier jets, evenals complexe mengsels van deze vervallen. Ze ontdekten dat de combinatie van hun nieuwe massameting en het anomaliedetectiesysteem hun vermogen om deze signalen op te sporen aanzienlijk verbeterde.

De resultaten waren bijzonder opmerkelijk toen het team keek naar een uitdagend scenario bekend als Black Box 3, een dataset uit een community challenge die een mix bevatte van twee verschillende vervalmodi. In deze test was de nieuwe methode in staat om het signaal te identificeren met een betrouwbaarheidsniveau dat de drempel voor een grote ontdekking overschreed, een vijf-sigma resultaat. Dit was een significante verbetering ten opzichte van eerdere pogingen, die met dezelfde data moeite hadden gehad om dergelijke hoge betrouwbaarheidsniveaus te bereiken. De studie toonde aan dat de methode robuust was, en goed werkte of het signaal nu een enkel type verval was of een verwarrende mix van verschillende typen. De onderzoekers merkten op dat hoewel het systeem het best presteerde wanneer het signaal sterk was, het nog steeds een duidelijk voordeel bood ten opzichte van traditionele telmethoden, waarbij het aantal gebeurtenissen dat nodig is voor een ontdekking met een aanzienlijke marge werd verminderd.

Het artikel concludeert dat deze aanpak een krachtig nieuw instrument biedt voor de zoektocht naar nieuwe fysica. Door een methode te gebruiken om de data op te schonen en een flexibel algoritme om het vreemde te vinden, kunnen wetenschappers nu naar nieuwe deeltjes zoeken zonder precies te hoeven raden hoe ze zullen verschijnen. De studie werd uitgevoerd met computer-simulaties van deeltjesbotsingen, die dienen als een proeftuin voor deze ideeën voordat ze worden toegepast op echte data van de collider. De auteurs suggereren dat deze strategie een standaard onderdeel kan worden van de zoektocht naar nieuwe fysica, in staat om zich aan te passen aan wat de natuur besluit te onthullen. Ze wijzen er ook op dat hoewel de huidige methode goed werkt voor jets, toekomstig werk deze ideeën zou kunnen uitbreiden naar andere soorten deeltjes, zoals elektronen of ontbrekende energie, wat de reikwijdte van wat ontdekt kan worden verder vergroot. Het werk vertegenwoordigt een stap naar een meer open-minded zoektocht, een die klaar is om het onverwachte te vinden, ongeacht in hoeveel stukken het uiteenvalt.