Mixture Density Networks for Neutrino Reconstruction at Hadron Colliders

In het hart van de Large Hadron Collider, waar protonen tegen bijna de snelheid van het licht op elkaar botsen, proberen natuurkundigen een puzzel op te lossen die de natuur doelbewust heeft verborgen. Wanneer deze deeltjes botsen, creëren ze een chaotische spray van nieuwe materie, waaronder een spookachtig deeltje genaamd een neutrino. Dit deeltje is zo ongrijpbaar dat het door de massieve detectoren gaat zonder ook maar één spoor achter te laten, en onzichtbaar het universum in ontsnapt. Omdat de wetten van de fysica echter eisen dat energie en impuls behouden blijven, laat de afwezigheid van het neutrino een kenmerkende leemte achter. Door alles te meten wat wel de detector raakt en dit af te trekken van het totaal, kunnen wetenschappers afleiden waar het ontbrekende deeltje zijwaarts naartoe ging. Maar er is een addertje onder het gras: hoewel ze kunnen zien hoe het neutrino zich dwars door de detector beweegt, kunnen ze niet zien hoe snel het naar hen toe of van hen af beweegt. Dit ontbrekende stukje informatie creëert een wiskundige ambiguïteit, waardoor onderzoekers met twee mogelijke antwoorden voor het pad van het neutrino blijven zitten, waarvan er geen van beide onmiddellijk van de andere te onderscheiden is.

Jarenlang vertrouwden wetenschappers op complexe vergelijkingen om te raden welk van deze twee paden het juiste is, maar deze traditionele methoden hebben vaak moeite wanneer de data rommelig zijn of wanneer de twee mogelijkheden heel dicht bij elkaar liggen. Recentelijk stelde een team onderzoekers van universiteiten in Zuid-Korea een andere aanpak voor, waarbij ze afstapten van rigide vergelijkingen naar een flexibel systeem dat leert van de data zelf. Ze ontwikkelden een nieuwe tool genaamd MoNSTER, wat staat voor Mixture of Neutrino Solutions with Transformer Event Representation. In plaats van de computer te dwingen om één enkel antwoord te kiezen, leert MoNSTER de gehele reeks mogelijkheden in één keer te voorspellen, waarbij de kaart wordt getekend van waar het neutrino zich het meest waarschijnlijk bevindt. Door het probleem te behandelen als een zoektocht naar de meest waarschijnlijke vorm van een wolk van mogelijkheden in plaats van een enkel punt, ontdekten de onderzoekers dat ze de reis van het onzichtbare deeltje met grotere nauwkeurigheid en snelheid konden reconstrueren dan eerdere methoden.

De kern van deze nieuwe methode ligt in de manier waarop deze met onzekerheid omgaat. In het verleden, wanneer een computer probeerde een waarde te voorspellen die een van de twee kon zijn, raakte deze vaak in de war en gokte simpelweg een waarde die er precies tussenin lag, een resultaat dat fysiek onmogelijk is voor een echt deeltje. De onderzoekers realiseerden zich dat ze, in plaats van een enkele gok te forceren, de computer moesten leren begrijpen dat het antwoord een mengeling is van twee afzonderlijke mogelijkheden. Hun nieuwe systeem, MoNster, werkt als een verfijnde kaartenmaker. Het neemt al het zichtbare puin van een botsing – de jets van deeltjes en de geladen leptonen – en gebruikt een gespecialiseerd neuraal netwerk om deze informatie te verwerken. Dit netwerk is ontworpen om een variabel aantal deeltjes te verwerken, net zoals een mens een menigte van verschillende groottes kan bekijken en toch de scène begrijpt. Het geeft vervolgens een gedetailleerde waarschijnlijkheidskaart die de waarschijnlijkheid weergeeft dat het neutrino zich op diverse plaatsen bevindt, waarbij zowel de hoofdmogelijkheden als de subtiele overlappingen daartussen worden vastgelegd.

Om hun idee te testen, gebruikte het team een enorme dataset van gesimuleerde botsingen die de omstandigheden van de Large Hadron Collider nabootst. Ze vergeleken hun nieuwe systeem met een toonaangevende methode genaamd $\nu$-Flows, die de standaard was voor dit type probleem. De resultaten waren opmerkelijk. MoNSTER kwam niet alleen overeen met de nauwkeurigheid van de bestaande methode, maar verbeterde deze zelfs. Wanneer de onderzoekers keken naar hoe dicht hun voorspellingen bij de werkelijke waarden in de simulatie lagen, ontdekten ze dat MoNSTER de typische fout in het momentum van het neutrino met ongeveer 5 procent verminderde. Voor de meest extreme gevallen, waar de fouten het grootst waren, was de verbetering zelfs nog significanter, namelijk 6 procent. Misschien nog belangrijker is dat het nieuwe systeem aanzienlijk sneller was. Waar de oudere methode vereiste dat de computer voor elk enkel evenement duizenden willekeurige simulaties moest draaien om het beste antwoord te vinden, kon MoNSTER bijna onmiddellijk een nauwkeurige schatting geven, wat tot 8,5 keer sneller was op standaard computerhardware.

De onderzoekers ontdekten ook dat ze niet zoveel informatie nodig hadden om deze resultaten te behalen. De vorige methode vertrouwde op het tellen van het totale aantal jets en specifieke soorten getagde jets om hun voorspellingen te doen, maar MoNSTER behaalde een betere prestatie zonder die specifieke tellingen te gebruiken. Dit suggereert dat het nieuwe systeem efficiënter is in het extraheren van de essentiële fysica uit de ruwe data. Bovendien toonde het team aan dat de nieuwe methode de complexe, met meerdere pieken bezette aard van het probleem kon aanpakken zonder vast te lopen. Door een wiskundige techniek te gebruiken waarmee de computer direct de piek van de waarschijnlijkheidskaart kan vinden, vermeden ze de noodzaak voor de trage, trial-and-error sampling die andere systemen vereisen. Dit betekent dat, naarmate detectoren in de toekomst nog meer data verzamelen, deze aanpak het mogelijk maakt om botsingen in realtime te analyseren met een precisieniveau dat voorheen onbereikbaar was.

De studie bevestigt dat voor de specifieke uitdaging van het vinden van neutrino's in deze botsingen met hoge energie, een mixture density network een krachtig en efficiënt alternatief is voor de complexere flow-gebaseerde methoden die het veld hebben gedomineerd. Hoewel het huidige werk beperkt is tot simulaties van enkelvoudige neutrino-gebeurtenissen, opent het succes van deze aanpak de deur naar het aanpakken van nog complexere scenario's met meerdere onzichtbare deeltjes. De onderzoekers merken op dat de moeilijkste regio's om te reconstrueren de botsingen met zeer hoge energie en die bij extreme hoeken blijven, waar alle huidige methoden moeite mee hebben. Echter, door te bewijzen dat een eenvoudigere, snellere en directere manier om deze waarschijnlijkheden te modelleren beter werkt dan de complexe alternatieven, biedt dit werk een duidelijk pad vooruit om de manier waarop we de onzichtbare delen van ons universum zien, te verbeteren.