In de wereld van de hogerectorische fysica bouwen wetenschappers enorme machines om vluchtige deeltjes te vangen en hun paden met extreme precisie te meten. Deze machines zijn in essentie gigantische, complexe camera's gemaakt van draden en gas, ontworpen om vast te leggen waar een deeltje inslaat en hoeveel energie het meedraagt. Echter, voor deze camera's om de waarheid te vertellen, moet elke enkele draad in hen perfect gekalibreerd zijn. Als een draad slechts een klein beetje afwijkt, wordt het hele beeld van de reis van het deeltje vervormd. Traditioneel vereist het repareren van deze draden het stoppen van het experiment, het draaien van speciale testbundels en het handmatig aanpassen van instellingen op basis van bekende referentiepunten. Dit proces is traag, onderbreekt waardevolle onderzoeksperioden en gaat ervan uit dat de detector voor altijd hetzelfde blijft. In de werkelijkheid verouderen detectoren, driften elektronische signalen en veranderen omstandigheden, wat betekent dat de kalibratie bijna al verouderd is zodra deze is voltooid.

Een team van onderzoekers bij GANIL in Frankrijk heeft een nieuwe manier ontwikkeld om deze detectoren nauwkeurig te houden zonder ooit het experiment te stoppen of een speciale testronde nodig te hebben. Ze hebben een systeem gecreëerd dat de detector leert om zichzelf te kalibreren terwijl hij daadwerkelijk zijn werk doet. In plaats van te vertrouwen op vooraf gelabelde gegevens of menselijke interventie, gebruikt het systeem de natuurwetten die bepalen hoe deeltjes bewegen en hoe energie behouden blijft om de juiste instellingen te bepalen. Door de eigen metingen van de detector te behandelen als een puzzel waarbij de stukjes perfect volgens fysieke regels in elkaar moeten passen, kan het systeem zijn interne instellingen continu aanpassen om ervoor te zorgen dat de verzamelde gegevens betrouwbaar zijn. Deze aanpak verandert de handeling van het meten in een handeling van zelfcorrectie, waardoor het instrument kan zich aanpassen aan veranderingen in realtime.

De specifieke detector die in deze studie is getest, is een Multi-Wire Parallel Plate Avalanche Counter, een apparaat dat een rooster van dunne draden gebruikt om geladen deeltjes te detecteren. Wanneer een deeltje passeert, creëert het een wolk van elektrische lading die zich over verschillende nabijgelegen draden verspreidt. Om precies te weten waar het deeltje langs is gegaan, moeten wetenschappers meestal de vorm van die ladingswolk raden op basis van wiskundige formules. Als de formule fout is, of als de draden van gevoeligheid zijn veranderd, zal de berekende positie afwijken. De onderzoekers hebben dit raadspel vervangen door een leerproces. Ze bouwden een computermodel dat naar het patroon van de lading op de draden kijkt en 'on the fly' leert hoe het dat patroon naar een precieze locatie kan vertalen.

Wat deze methode uniek maakt, is dat het niet vooraf het juiste antwoord hoeft te kennen. Bij de meeste machine learning leert een computer door duizenden voorbeelden te zien met de juiste antwoorden er al bij geschreven. Hier leert de computer door zijn eigen werk te controleren tegen de wetten van de geometrie en energie. De detector bestaat uit twee afzonderlijke lagen draden die na elkaar zijn geplaatst. Omdat de deeltjes in rechte lijnen reizen, moet de positie die door de eerste laag wordt geregistreerd overeenkomen met de positie die door de tweede laag wordt geregistreerd op een voorspelbare manier. Als de berekening van de computer voor de positie fout is, zullen de twee lagen niet op één lijn liggen. Het systeem gebruikt deze discrepantie als een signaal om de gevoeligheid van de draden aan te passen totdat de lagen perfect uitgelijnd zijn. Tegelijkertijd controleert het of de totale hoeveelheid verzamelde elektrische lading overeenkomt met het energieverlies dat door een ander deel van de machine wordt gemeten.

De onderzoekers hebben deze methode toegepast op de entrance tracking detectors van de VAMOS++ magnetische spectrometer, een groot instrument dat wordt gebruikt om kernreacties te bestuderen. Ze voedden het systeem miljoenen echte experimentele gebeurtenissen waarbij deeltjes door de detector vlogen. Zonder enige voorafgaande kennis van de draadinstellingen of de exacte deeltjesposities, begon het systeem zichzelf te optimaliseren. Het paste de gain, oftewel de gevoeligheid, van elke enkele draad aan en verfijnde zijn begrip van hoe de ladingspatronen gelezen moeten worden. Het proces was opmerkelijk snel en bereikte een stabiele en nauwkeurige staat in minder dan een minuut aan trainingstijd. Het systeem slaagde erin om het unieke gedrag van de detector te leren, inclusief de subtiele manieren waarop de draden reageerden op de passerende deeltjes, zonder dat het ooit verteld werd wat die gedragingen waren.

De resultaten lieten een duidelijke verbetering zien ten opzichte van de standaardmethoden die in het veld worden gebruikt, welke vertrouwen op vaste wiskundige formules om de lading te interpreteren. De nieuwe methode produceerde een scherper, uniformer beeld. De posities van de deeltjes werden gereconstrueerd met grotere precisie, waarbij de onzekerheid in hun locatie met ongeveer 33 tot 44 procent werd verminderd, afhankelijk van de specifieke draad die werd getest. Het nieuwe systeem elimineerde ook kleine, grillige fouten die in de oude methode verschenen, veroorzaakt door het feit dat de wiskundige formules niet perfect overeenkwamen met het werkelijke gedrag van de detector. Door direct van de gegevens te leren, legde het systeem de ware vorm van de ladingsverdeling vast, wat leidde tot een gladdere en nauwkeurigere reconstructie van de deeltjesbanen.

Dit werk demonstreert dat wetenschappelijke instrumenten zo ontworpen kunnen worden dat ze zelfbewust en zelfcorrigerend zijn. Het framework repareert de draden niet alleen één keer; het creëert een continue lus waarbij de detector voortdurend zijn eigen prestaties controleert tegen de fysieke realiteit. Als de draden gaan driften of de elektronica verandert, merkt het systeem de inconsistentie in de gegevens op en corrigeert het dit automatisch. Dit betekent dat toekomstige experimenten langer kunnen draaien zonder de noodzaak voor frequente, tijdrovende kalibratiestops. De methode is niet beperkt tot deze specifieke detector; de onderzoekers toonden aan dat het deel van het systeem dat verantwoordelijk is voor het lezen van de positie kan worden toegepast op detectoren van verschillende maten en vormen zonder dat het herschreven hoeft te worden. Alleen het deel dat de specifieke draden aanpast, hoeft opnieuw getraind te worden voor een nieuwe machine.

De implicaties van deze aanpak reiken verder dan slechts één type detector. Het vertegenwoordigt een verschuiving in hoe wetenschappelijke instrumenten worden beheerd, weg van een model waarbij kalibratie een aparte, handmatige taak is die vóór een experiment begint. In plaats daarvan wordt kalibratie een integraal onderdeel van het meetproces zelf. De detector is niet langer een statisch hulpmiddel dat perfect afgestemd moet zijn vóór gebruik; het is een adaptief systeem dat leert en verbetert terwijl het opereert. Deze capaciteit is bijzonder waardevol voor complexe experimenten waarbij omstandigheden snel veranderen of waarbij de detectoren worden blootgesteld aan veroudering en slijtage. Door de natuurwetten direct in het leerproces in te bedden, hebben de onderzoekers een pad gecreëerd naar volledig autonome wetenschappelijke instrumenten die hun eigen nauwkeurigheid gedurende hun hele levensduur kunnen handhaven.

De studie bevestigt dat het mogelijk is om hoge precisie-kalibratie te bereiken zonder gelabelde gegevens of toegewijde testruns. Het systeem loste succesvol het dubbele probleem op van het bepalen van de draadinstellingen en de deeltjesposities tegelijkertijd, een taak die voorheen werd geacht externe referentiepunten te vereisen. Het succes van deze methode suggereert dat veel andere wetenschappelijke instrumenten kunnen profiteren van soortgelijke zelfgesuperviseerde benaderingen, mits ze voldoende interne redundantie en fysieke beperkingen hebben om het leren te sturen. Naarmate wetenschappelijke faciliteiten complexer worden en de vraag naar continue, hoogwaardige gegevens groeit, zal het vermogen van instrumenten om zich aan te passen en zelf te kalibreren waarschijnlijk een standaardkenmerk worden in plaats van een experimentele nieuwigheid. De detector wordt, in dit nieuwe paradigma, gekalibreerd door het experiment zelf.