Learning the Geometry of Collider Events with Metric-Aware Deep Sets

In de hoogenergetische wereld van de deeltjesfysica bestuderen wetenschappers de meest fundamentele bouwstenen van het universum door protonen met bijna de snelheid van het licht tegen elkaar te laten botsen. Deze botsingen creëren een chaotische spray van nieuwe deeltjes, die elk een specifieke hoeveelheid energie dragen en in een bepaalde richting wegvliegen. Om zin te geven aan deze chaos, behandelen onderzoekers elke botsingsgebeurtenis als een unieke wolk van punten in de ruimte, waarbij elk punt een deeltje vertegenwoordigt en zijn gewicht zijn momentum voorstelt. De centrale uitdaging is het vergelijken van deze wolken: hoe vergelijkbaar is de ene botsing met de andere? Om dit te beantwoorden, gebruiken natuurkundigen een wiskundig hulpmiddel genaamd optimale transporttheorie. Stel je voor dat je een hoop grond van de ene vorm naar een andere probeert te verplaatsen met de minste inspanning; optimaal transport berekent de exacte kosten om de deeltjes in het ene evenement te herschikken om overeen te komen met de vorm van een ander evenement. Deze kosten, bekend als de Energy Mover's Distance, bieden een nauwkeurige manier om de geometrie van deze gebeurtenissen te meten, waardoor wetenschappers zeldzame anomalieën kunnen opsporen of theorieën over hoe het universum werkt kunnen testen. Het berekenen van deze afstand voor miljoenen gebeurtenissen is echter extreem traag en vereist vaak uren computertijd voor een enkele vergelijking, wat een flessenhals vormt voor moderne experimenten die enorme hoeveelheden gegevens genereren.

Om dit probleem op te lossen, hebben een team van onderzoekers van de Brown University en het IAIFI-instituut een nieuw soort kunstmatige intelligentie ontwikkeld die is ontworiment om de geometrie van deze deeltjesbotsingen te leren zonder telkens het zware werk te hoeven doen. Ze creëerden een neuraal netwerk, een type computerprogramma dat leert van voorbeelden, om te fungeren als een snelle surrogaat voor de trage, exacte berekening. In plaats van alleen maar een getal te raden, bouwden de onderzoekers specifieke regels direct in de architectuur van het netwerk om ervoor te zorgen dat het zich gedraagt als een echte afstandsmaatstaf. Ze programmeerden het systeem om te begrijpen dat de afstand van gebeurtenis A naar gebeurtenis B hetzelfde moet zijn als van B naar A, dat een gebeurtenis een afstand van nul heeft tot zichzelf, en dat afstanden niet negatief kunnen zijn. Door deze basisgeometrische regels af te dwingen, leerde het netwerk de energie die nodig is om deeltjes tussen gebeurtenissen te verplaatsen te voorspellen met opmerkelijke snelheid en nauwkeurigheid.

De resultaten van deze aanpak waren spectaculair. Wanneer getest op miljoenen gesimuleerde botsingsgebeurtenissen, voorspelde het nieuwe netwerk, dat de auteurs de Metric-Aware Particle Flow Network noemen, de energieradius met een gemiddelde fout van minder dan één procent. Belangrijker nog, het behield de onderliggende geometrische structuur van de gegevens op manieren waarop standaard machine learning-modellen daar vaak bij falen. Terwijl een typisch neuraal netwerk misschien het juiste getal gemiddeld kan voorspellen, maar de relaties tussen drie verschillende gebeurtenissen foutief kan weergeven, respecteerde dit nieuwe model de driehoeksongelijkheid — een regel die stelt dat de directe route tussen twee punten nooit langer is dan een route die via een derde punt gaat. In een test met een miljoen triplets van gebeurtenissen overtrad het standaardmodel deze regel bijna tweehonderd keer, met fouten die bijna 150 bereikten, een eenheid van energie. Het nieuwe model overtrad de regel slechts twee keer, waarbij de grootste fout daalde naar slechts 5,8. Dit suggereert dat door de computer de basisregels van de geometrie te leren, het leerde veel betrouwbaarder te zijn in zijn voorspellingen, zelfs voor situaties die het nog nooit eerder had gezien.

De snelheid van deze nieuwe methode is misschien wel het meest praktische voordeel. In de wereld van de deeltjesfysica moeten onderzoekers vaak elke gebeurtenis in een dataset met elke andere gebeurtenis vergelijken, een taak die exponentieel moeilijker wordt naarmate het aantal deeltjes toeneemt. Het nieuwe netwerk bereikte een doorvoer van tot wel 26 miljoen paren per seconde op een enkele grafische kaart, een snelheid die duizenden malen sneller is dan de exacte wiskundige oplossers die momenteel voor dit werk worden gebruikt. In tegenstelling tot de exacte methoden, die drastisch vertragen naarmate het aantal deeltjes in een gebeurtenis groeit, bleef de snelheid van het nieuwe netwerk nagenoeg constant, ongeacht hoe complex de botsing was. Dit komt omdat het netwerk elk evenement één keer codeert in een compacte samenvatting en vervolgens deze samenvattingen snel vergelijkt, in plaats van het hele probleem voor elk afzonderlijk paar opnieuw te berekenen. Deze efficiëntie betekent dat experimenten bij de Large Hadron Collider hun gegevens potentieel veel dieper kunnen analyseren, op zoek naar subtiele patronen die voorheen computationeel te duur waren om te vinden.

De onderzoekers testten ook of hun model de natuurwetten respecteert die de deeltjesbotsingen beheersen, specifal hoe het systeem reageert wanneer een deeltje in tweeën splitst of wanneer een klein, laag-energetisch deeltje wordt toegevoegd. In de natuurkunde zouden deze veranderingen de beschrijving van een gebeurtenis niet drastisch mogen veranderen. Het nieuwe model vertoonde een veel betere respons op deze veranderingen dan eerdere methoden, en bleef dichter bij het ware fysieke gedrag, zelfs wanneer de verstoringen zeer klein waren. Hoewel het model geen perfecte vervanging is voor de exacte berekening en nog steeds kleine fouten vertoont in extreme gevallen, laat de studie zien dat het toevoegen van eenvoudige, gerichte beperkingen aan een machine learning-model een instrument kan opleveren dat zowel snel als geometrisch getrouw is. Deze aanpak biedt een veelbelovend pad voorwaarts voor het verwerken van de enorme datasets van de moderne fysica, waarbij een flessenhals van trage berekeningen wordt omgezet in een stroom van snelle, betrouwbare inzichten.