Application of sequence learning for predicting radiation damage of the CMS electromagnetic calorimeter

In het hart van de moderne natuurkunde ligt de zoektocht naar het begrijpen van de fundamentele bouwstenen van het universum. Om dit te doen, laten wetenschappers deeltjes met ongelooflijke snelheden op elkaar botsen, waardoor omstandigheden worden gecreëerd die bestonden vlak na de geboorte van het kosmos. Een van de krachtigste machines die voor dit doel zijn gebouwd, is de Large Hadron Collider, een enorme ring die begraven ligt onder de grens van Frankrijk en Zwitserland. Binnen deze machine fungeert het Compact Muon Solenoid-experiment als een gigantische, uiterst gevoelige camera die foto's maakt van het puin van deze hogesnelheidsbotsingen. Een cruciaal onderdeel van deze camera is een detector gemaakt van duizenden zware, heldere kristallen. Wanneer een deeltje een van deze kristallen raakt, geeft het een flits van blauw licht af, vergelijkbaar met hoe een steen die over een vijver springt rimpelingen veroorzaakt. Door de helderheid van dit licht te meten, kunnen natuurkundigen de energie berekenen van het deeltje dat het raakte. De omgeving binnen de collider is echter extreem vijandig. De constante bombardementen van straling werken als een langzame, onzichtbare zandstraaler op de kristallen, waardoor hun transparantie geleidelijk troebel wordt. In de loop van de tijd zorgt deze schade ervoor dat de kristallen minder efficiënt worden in het doorgeven van licht, wat de nauwkeurigheid van het hele experiment bedreigt. Om de detector werkend te houden, moeten wetenschappers constant monitoren hoeveel de kristallen zijn vertroebeld en hun metingen dienovereenkomstig corrigeren.

In een recente studie richtten onderzoekers zich op kunstmatige intelligentie om het probleem van het voorspellen van de veroudering van deze kristallen op te lossen. In plaats van uitsluitend te vertrouwen op handmatige controles of eenvoudige statistische gissingen, paste het team een geavanceerd type machine learning toe, bekend als een sequence-to-sequence model. Deze aanpak behandelt de geschiedenis van de transparantie van een kristal als een verhaal met een begin, midden en eind. De computer krijgt een lange lijst met eerdere metingen gevoerd, die laat zien hoe de helderheid van het kristal dag na dag veranderde terwijl de collider draaide en daarna stopte. Het systeem leert patronen in deze gegevens te herkennen, zoals hoe de kristallen snel donker worden tijdens perioden van intense botsingen en hoe ze langzaam hun helderheid herstellen tijdens rustige perioden wanneer de machine niet draait. Het doel was om de computer te leren deze geschiedenis te lezen en vervolgens het volgende hoofdstuk te schrijven: het voorspellen van hoe het kristal zich in de toekomst zou gedragen.

De onderzoekers testten deze methode met behulp van echte gegevens die tussen 2016 en 2018 uit de collider waren verzameld. Ze concentreerden zich op specifieke kristallen binnen de detector, waarbij ze de computer een venster van eerdere kalibratiewaarden voedingen en de computer vroegen de transparantie voor de komende dagen te voorspellen. De resultaten waren veelbelovend. Het model van kunstmatige intelligentie volgde succesvol de stijging en daling van de helderheid van de kristallen en kwam de werkelijke metingen met een hoge mate van nauwkeurigheid overeen. Voor de geanalyseerde kristallen vertoonden de voorspellingen een gemiddelde absolute procentuele fout van ongeveer 18% tot 26%, terwijl de absolute fout binnen een beheersbare marge bleef. Het model bleek bijzonder goed in kortetermijnvoorspellingen, waarbij het de directe effecten van stralingsschade en het daaropvolgende herstel vastlegde. Dit suggereert dat dergelijke systemen een betrouwbaar hulpmiddel kunnen worden voor de wetenschappers die het experiment uitvoeren, waardoor zij schade kunnen anticiperen voordat deze hun gegevens significant beïnvloedt.

De studie wierp ook een nadere blik op eerdere pogingen om ditzelfde probleem met behulp van machine learning op te lossen. De onderzoekers ontdekten dat een eerdere studie een vreemde dip in prestaties rapporteerde bij bepaalde dataintervallen, wat aanvankelijk leek op een verrassende wetenschappelijke anomalie. Bij het heronderzoeken van de code die in dat eerdere werk werd gebruikt, vond het team een eenvoudige programmeerfout die de misleidende resultaten had veroorzaakt. Nadat deze bug was hersteld, werd de prestatie van het vorige model veel consistenter, hoewel het nog steeds niet de stabiliteit van de nieuwe sequence-to-sequence aanpak evenaarde. Het nieuwe model behield een stabiel niveau van nauwkeurigheid, ongeacht hoeveel historische gegevens werden gebruikt, wat een robuustere capaciteit toonde om te generaliseren en toekomstig gedrag te voorspellen.

Dit werk demonstreert dat deep learning effectief de complexe, tijdsafhankelijke veroudering van detectormaterialen kan modelleren. Door nauwkeurig te voorspellen hoe de kristallen degraderen en herstellen, biedt de methode een manier om de gebruikte kalibratiestrategieën van het experiment te verfijnen. Dit is niet alleen een theoretische oefening; het heeft praktische waarde voor de duizenden wetenschappers die vertrouwen op de Compact Muon Solenoid voor het maken van nauwkeurige metingen van het universum. Als de sensoren van de detector troebel zijn en niet gecorrigeerd worden, worden de verzamelde gegevens onbetrouwbaar. Door deze voorspellende instrumenten te gebruiken, kan de samenwerking ervoor zorgen dat de metingen scherp en accuraat blijven, zelfs terwijl de machine blijft opereren in een van de meest door straling gevulde omgevingen op aarde. De onderzoekers zijn van plan dit werk uit te breiden door meer kristallen in te sluiten en nog geavanceerdere leerstrategieën te verkennen, met als doel een systeem te bouwen dat de gehele detector tegelijkertijd kan verwerken. Voor nu biedt het succes van deze aanpak een solide fundament om de krachtigste partikelcamera ter wereld in perfecte focus te houden.