Model-independent searches and anomaly detection at the CMS experiment
Dit artikel presenteert de modelonafhankelijke zoektocht van het CMS-experiment naar nieuwe fysica met behulp van machine learning-gebaseerde anomaliedetectie op 138 fb aan 13 TeV data, waarbij de succesvolle ongesuperviseerde recovery van top quarks en de real-time implementatie van ongesuperviseerde algoritmen in de level-1 trigger tijdens 2024 worden benadrukt.
Oorspronkelijk artikel gelicentieerd onder CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). Dit is een AI-gegenereerde uitleg van het onderstaande artikel. Het is niet geschreven of goedgekeurd door de auteurs. Raadpleeg het oorspronkelijke artikel voor technische nauwkeurigheid. Lees de volledige disclaimer
Al meer dan een decennium lang heeft de krachtigste deeltjesversneller ter wereld protonen op elkaar laten botsen met snelheden die dicht bij de lichtsnelheid liggen, op zoek naar de bouwstenen van een universum dat verder reikt dan ons huidige begrip. Wetenschappers vermoeden al lang dat het Standaardmodel, de theorie die alle bekende materie en krachten succesvol beschrijft, incompleet is. Ze verwachten nieuwe deeltjes of verborgen krachten te vinden die mysteries zoals donkere materie of de vraag waarom het universum überhaupt bestaat, kunnen verklaren. Ondanks de ontdekking van het Higgs-boson is er echter geen nieuw elementair deeltje in de gegevens opgedoken. Deze stilte heeft onderzoekers gedwongen hun strategie te heroverwegen. In plaats van een specifiek net te bouwen om een vis te vangen waarvan ze denken dat die er zou kunnen zijn, proberen ze nu alles te vangen wat ongewoon is en voorbij zwemt, ongeacht hoe het eruitziet. Deze verschuiving steunt op een krachtig idee: als het universum vol zit met vertrouwde patronen, dan is alles dat die patronen doorbreekt het waard om te onderzoeken, zelfs als we nog niet weten wat het is.
De onderzoekers van het Compact Muon Solenoid-, of CMS-, experiment bij CERN hebben deze aanpak omarmd door machine learning te gebruiken om op anomalieën te jagen. In een recente studie hebben ze deze techniek toegepast op een enorme dataset van 138 fb⁻¹ aan proton-protonbotsingsgegevens, opgenomen bij een energie van 13 biljoen elektronvolt. Het team concentreerde zich op een specifiek type botsing waarbij twee hoogenergetische deeltjesstralen, bekend als jets, in tegengestelde richtingen wegvliegen. In het overgrote deel van deze gebeurtenissen worden de jets gevormd door gemeenschappelijke deeltjes zoals quarks of gluonen, wat een voorspelbare, rommelige straal creëert. De wetenschappers zochten naar jets die anders waren—jets die een complexe interne structuur bezaten, die misschien zwaardere deeltjes of meerdere lagen van verval bevatten, waardoor ze opvielen tussen de gewone achtergrond. Ze namen geen aanname over wat deze nieuwe deeltjes zouden zijn, noch raadden ze hun massa of hoe ze interageerden. Ze vroegen de computer simpelweg om te leren hoe een normale jet eruitziet en vervolgens alles te markeren dat niet aan het patroon voldeed.
Om te waarborgen dat deze methode werkte, testte het team het eerst op data waarvan de uitkomst al bekend was. Ze vroegen het algoritme om de topquark te vinden, een zwaar deeltje dat goed begrepen maar moeilijk te onderscheiden is in een zee van gewone jets. Zonder te worden verteld wat een topquark was of gelabelde informatie te krijgen om het te identificeren, slaagde het machine learning-systeem erin de gebeurtenissen met deze deeltjes te isoleren. Het vond ze door op te merken dat hun interne structuur verschillend was van de rest. Deze validatie bewees dat het systeem iets nieuws kon herkennen zonder een vooraf geschreven script. Wanneer de onderzoekers vervolgens dezelfde logica toepasten op de volledige dataset van 138 fb⁻¹ aan proton-protonbotsingsgegevens, scanten ze op elke gelokaliseerde overmaat aan vreemde gebeurtenissen die een nieuwe resonantie zouden kunnen signaleren, oftewel een zwaar deeltje dat vervalt in twee lichtere deeltjes.
De resultaten waren een getuigenis van de kracht van deze modelonafhankelijke zoektocht, maar ze bevestigden ook de voortdurende stilte van het universum met betrekking tot nieuwe fysica. De vijf verschillende machine learning-methoden die in de studie werden gebruikt, presteerden allemaal beter dan traditionele zoektochten die zoeken naar specifieke typen deeltjessignaturen. Ze waren in staat om subtiele anomalieën op te merken die oudere methoden over het hoofd hadden gezien, met name in complexe scenario's waarin een zwaar deeltje in veel kleinere stukjes uiteenvalt. Toch, ondanks deze verhoogde gevoeligheid, vond geen enkele methode een afwijking van de verwachte achtergrond die sterk genoeg was om een ontdekking te claimen. De meest significante fluctuaties die ze zagen, waren consistent met willekeurige statistische ruis in plaats van een nieuw deeltje. Het team stelde nieuwe grenzen aan wat voor soorten nieuwe deeltjes zouden kunnen bestaan, waardoor ze effectief bepaalde mogelijkheden uitsloot in massaberiken waar voorheen geen andere zoektocht naar had gekeken.
Naast de offline analyse van opgenomen data, heeft het experiment deze technologie naar het domein van realtime besluitvorming geduwd. De Large Hadron Collider produceert botsingen met een snelheid van 40 miljoen keer per seconde, veel te snel voor menselijke operators of standaardcomputers om elke enkele gebeurtenis te beoordelen. Meestal filtert een systeem dat een 'trigger' wordt genoemd de overgrote meerderheid van de botsingen eruit, waarbij alleen de botsingen worden behouden die er interessant uitzien op basis van bekende fysica. Het CMS-team heeft nu twee unsupervised machine learning-algoritmen direct geïnstalleerd op de hardware die deze beslissingen in een fractie van een seconde neemt. Deze algoritmen, draaiend op gespecialiseerde chips, analyseren de ruwe energiedeposities in de detector zonder enige voorafgaande kennis van waar naar gezocht moet worden. Tijdens de data-afnameperiode in 2024 bij een energie van 13,6 TeV, selecteerden deze systemen meer dan vier miljard gebeurtenissen voor permanente opslag, waarbij zeldzame en energetische processen werden vastgelegd die conventionele triggers wellicht zouden hebben weggegooid. De verzamelde data tot nu toe laten zien dat het systeem naar behoren werkt, waarbij bekende deeltjes zoals het Z-boson en het J/psi-meson worden aangetoepen, wat bewijst dat de machine interessante fysica kan identificeren zonder te worden verteld waarnaar gezocht moet worden.
Het ultieme doel van dit werk is om de zoektocht uit te breiden van enkel de deeltjesstralen binnen een enkele jet naar de gehele gebeurtenis. Door naar de globale vorm van een botsing te kijken, hopen wetenschappers anomalieën te vinden die onzichtbaar zijn wanneer men naar individuele onderdelen kijkt. Hoewel deze specifieke studie geen nieuw deeltje heeft gevonden, heeft het succesvol aangetoond dat er een nieuwe manier bestaat om de data te bekijken. Het toonde aan dat de instrumenten bestaan om het onverwachte te vinden, zelfs in een universum dat tot nu toe koppig stil is gebleven. De onderzoekers zijn bewogen van theoretische voorstellen naar praktische toepassing, waarbij ze hun methoden hebben gevalideerd op echte data en bewezen dat ze de eigenschappen van een deeltje kunnen karakteriseren door simpelweg te observeren hoe het afwijkt van de rest. De zoektocht gaat door, niet naar een specifiek spook, maar naar elke schaduw die er niet thuishoort.
Verdrinkt u in papers in uw vakgebied?
Ontvang dagelijkse digests van de nieuwste papers die bij uw onderzoekswoorden passen — met technische samenvattingen, in uw taal.