GNN-based track reconstruction for MUonE experiment

In het uitgestrekte landschap van de moderne natuurkunde zoeken wetenschappers voortdurend naar barsten in het fundament van hun meest succesvolle theorie, het Standaardmodel. Deze theorie fungeert als een regelboek voor hoe het universum werkt op de kleinste schaal, maar laat enkele diepgaande vragen onbeantwoord. Een van de meest hardnekkige mysteries betreft het muon, een deeltje dat lijkt op het elektron, maar veel zwaarder is. Decennialang hebben experimenten gemeten hoe dit deeltje wankelt in een magnetisch veld, een eigenschap die bekend staat als zijn anomale magnetisch moment. De metingen laten consequent een minuscuul, hardnekkig verschil zien ten opzichte van wat het Standaardmodel voorspelt. Deze kloof suggereert dat onbekende krachten of deeltjes de muon kunnen beïnvloeden, wat wijst op een diepere laag van de werkelijkheid die wacht om ontdekt te worden. Om dit echter te bevestigen, moeten natuurkundigen het effect met extreme precisie meten, wat vereist dat ze een specifieke bijdrage berekenen van de interactie van deeltjes met het vacuüm van de ruimte. Deze berekening is berucht moeilijk uit te voeren met traditionele wiskunde, waardoor een nieuw experiment genaamd MUonE werd voorgesteld om dit direct te meten door te observeren hoe muonen verstrooien tegen elektronen.

De uitdaging voor het MUonE-experiment is niet alleen de natuurkunde, maar ook de enorme hoeveelheid data die het moet verwerken. Het experiment zal een bundel muonen 40 miljoen keer per seconde op een doelwit afvuren. Bij deze snelheid moeten de computersystemen in een fractie van een seconde beslissen welke botsingen interessant zijn en welke slechts achtergrondruis zijn. Als het systeem te traag is, mist het de zeldzame gebeurtenissen die nieuwe natuurkunde zouden kunnen onthullen. Als het te agressief filtert, kan het juist de signalen weggooien waar wetenschappers naar op zoek zijn. De traditionele manier om door deze data te sorteren omvat complexe, stapsgewijze algoritmen die proberen de paden van deeltjes te reconstrueren uit de minuscule signalen die in siliciumsensoren worden achtergelaten. Hoewel accuraat, zijn deze methoden rekenintensief en hebben ze moeite om het constante tempo van de bundel bij te houden. Om dit op te lossen, heeft een team onderzoekers in Polen zich tot een ander soort intelligentie gewend: een machine learning-systeem dat is ontworpen om te denken als een netwerk van verbindingen in plaats van een lineaire lijst met instructies.

De onderzoekers ontwikkelden een nieuwe methode met behulp van een Graph Neural Network, een type kunstmatige intelligentie dat uitblinkt in het begrijpen van relaties tussen objecten. In plaats van de data te behandelen als een raster van getallen of een afbeelding, ziet het systeem de deeltjesdetector als een kaart van punten en lijnen. Elk punt vertegenwoordigt een plek waar een deeltje een sensor heeft geraakt, en de lijnen vertegenwoordigen de mogelijke paden die die hits verbinden. De taak van het netwerk is om te achterhalen welke lijnen echte paden zijn die door deeltjes zijn afgelegd en welke slechts toevallige samenhangen zijn. In een traditionele aanpak zou de computer misschien proberen elk mogelijk pad te bouwen en vervolgens te controleren of het zinvol is, een proces dat onmogelijk traag wordt naarmate het aantal deeltjes toeneemt. Het nieuwe systeem kijkt echter naar het gehele web van verbindingen tegelijkertijd en leert de specifieke vorm van een geldig deeltjespad te herkennen.

Om dit idee te testen, gebruikte het team gesimuleerde data die de omstandigheden van het MUonE-experiment nabootsen, inclus_ief de specifieke arrangement van sensoren en het gedrag van muonen en elektronen. Ze trainden het netwerk op duizenden van deze gesimuleerde gebeurtenissen, waarbij het leerde om onderscheid te maken tussen de ware paden van deeltjes en valse verbindingen. De resultaten waren opmerkelijk. Het netwerk identificeerde de juiste paden succesvol met een foutmarge van minder dan één procent, een nauwkeurigheidsniveau dat overeenkomt met de beste traditionele methoden. Belangrijker nog, het deed dit met een ongelooflijke snelheid. Terwijl de oude algoritmen ongeveer 3.400 gebeurtenissen per seconde konden verwerken op een krachtige computer, verwerkte het nieuwe neurale netwerk meer dan 31.000 gebeurtenissen per second. Dit vertegenwoordigt een tienvoudige toename in snelheid, waardoor een bottleneck effectief wordt getransformeerd in een soepele doorstroom.

Naast het louter vinden van de paden, toonden de onderzoekers ook aan dat dit systeem het verschil tussen de deeltjes zelf kan aangeven. Omdat elektronen veel lichter zijn dan muonen, kaatsen ze bij een botsing onder scherpere hoeken af. Het netwerk leerde deze subtiele verschillen in de verstrooiingshoeken te herkken, waardoor het correct kon identificeren of een spoor bij een elektron of een muon hoorde. Hoewel het bij ongeveer 12 procent van deze identificatiegevallen fouten maakte, is dit prestatieniveau veelbelovend voor een systeem dat zich nog in een vroege fase bevindt. Het vermogen om zowel de reconstructie van het spoor als de identificatie van het deeltje simultaan uit te voeren, suggereert dat deze aanpak verschillende aparte stappen in de data-analysepijplijn zou kunnen vervangen.

De betekenis van dit werk ligt in het potentieel om de manier waarop experimenten in de hoge-energiefysica werken te veranderen. Door de complexe taak van het sorteren van data te verplaatsen van de offline-fase, waarin wetenschappers resultaten analyseren nadat het experiment is voltooid, naar de online-fase, waar beslissingen in realtime worden genomen, kan het MUonE-experiment een veel grotere en schonere steekproef van de zeldzame gebeurtenissen die het nodig heeft, vastleggen. De onderzoekers benadrukken dat hoewel hun resultaten gebaseerd zijn op simulaties, de methode klaar is om getest te worden op echte data die worden verzameld tijdens de komende testruns van het experiment. Als het systeem op echte data even goed presteert als in de simulatie, zou het de nodige snelheid en precisie kunnen bieden om het mysterie van de wankeling van het muon eindelijk op te lossen, wat potentieel een venster opent naar de nieuwe natuurkunde die buiten ons huidige begrip ligt.