Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

Diep in het universum bestaat het grootste deel van de materie uit zaken die we niet kunnen zien, aanraken of met gewone instrumenten kunnen meten. Het is onzichtbaar en wordt alleen gekend door de manier waarop de zwaartekracht ervan aan sterren en sterrenstelsels trekt. Wetenschappers noemen dit donkere materie, en hoewel we weten dat het ongeveer een kwart van alles in het bestaan uitmaakt, hebben we geen idee waar het uit bestaat. Een leidende hypothese suggereert dat het bestaat uit zware, traag bewegende deeltjes die zelden botsen met normale materie. Als deze deeltjes bestaan, zouden ze af en toe de kernen van atomen in een detector op aarde moeten raken, wat een minuscuul flitsje licht en een klein elektrisch signaal veroorzaakt. Het vinden van dit zwakke signaal zou een monumentale ontdekking zijn, die de ware aard van het donkere universum zou onthullen.

De uitdaging is dat deze signalen ongelooflijk zeldzaam zijn en gemakkelijk kunnen worden verward met achtergrondruis van natuurlijke radioactiviteit of andere kosmische stralen. Om ze te vinden, gebruiken wetenschappers enorme tanks met vloeibaar xenon, gekoeld tot nabij het absolute nulpunt, die diep onder de grond zijn begraven om hen te beschermen tegen kosmische interferentie. Wanneer een donkere materie-deeltje een xenonatoom raakt, produceert het twee verschillende signalen: een flits van licht en een uitbarsting van elektronen. Door de verhouding tussen deze twee signalen te meten, kunnen onderzoekers bepalen of de gebeurtenis werd veroorzaakt door een donkere materie-deeltje of door een algemeen achtergronddeeltje. De exacte patronen van deze signalen hangen echter af van hoe snel de donkere materie-deeltjes bewegen terwijl ze door ons sterrenstelsel drijven. Deze snelheid is niet met absolute zekerheid bekend, en verschillende aannames over de structuur van het sterrenstelsel kunnen veranderen hoe het signaal eruitziet.

In een nieuwe studie hebben onderzoekers Felix Kahlhoefer en Niklas Reus van het Karlsruhe Institute of Technology in Duitsland een slimme manier ontwikkeld om met deze onzekerheid om te gaan. In plaats van te proberen complexe wiskundige formules te berekenen om elke mogelijke variatie in de structuur van het sterrenstelsel te verklaren, gebruikten ze een methode genaamd simulatie-gebaseerde inferentie. Ze bouwden een computerprogramma dat leerde het verschil te herkennen tussen een signaal van donkere materie en achtergrondruis door miljoenen gesimuleerde voorbeelden te bestuderen. In deze simulaties werd de computer getoond aan data gegenereerd onder vele verschillende aannames over hoe snel de deeltjes donkere materie bewogen. Door te trainen op deze brede variëteit aan scenario's, leerde de computer de specifieke details van de beweging van het sterrenstelsel te negeren en zich te concentreren op de kernkenmerken die op een botsing met donkere materie wijzen.

De onderzoekers testten deze aanpak met behulp van een model van het XENONnT-experiment, een van de meest gevoelige detectoren voor donkere materie die momenteel in bedrijf is. Ze creëerden een digitale tweeling van de detector, waarbij ze simuleerden hoe de detector zou reageren op deeltjes donkere materie met verschillende massa's en interactiekrachten. Vervolgens trainden ze een neuraal netwerk, een type kunstmatige intelligentie, om als een classifier te fungeren. Dit netwerk kreeg paren data te zien: één set waar het signaal van donkere materie aanwezig was, en een andere set waar dit niet aanwezig was. Het doel was dat het netwerk een regel zou leren om de twee te onderscheiden, waardoor het effectief de waarschijnlijkheid berekent dat een specifieke set observaties afkomstig is van een bron van donkere materie in plaats van willekeurige ruis.

Wat deze methode bijzonder krachtig maakt, is hoe deze omgaat met de onbekende snelheid van de deeltjes donkere materie. In traditionele analyses moeten wetenschappers de snelheid van deze deeltjes vaak vastleggen op een enkele, standaardwaarde, wat kan leiden tot fouten als die waarde onjuist is. In deze nieuwe aanpak voegden de onderzoekers simpelweg veel verschillende snelheidsmodellen toe aan de trainingsdata. De computer leerde de snelheid te behandelen als een variabele die alles binnen een redelijke marge kon zijn. Als gevolg hiervan heeft het netwerk, wanneer het een voorspelling doet, al die verschillende mogelijkheden meegenomen. De onzekerheid over de structuur van het sterrenstelsel wordt effectief gemiddeld, waardoor een duidelijk antwoord over de donkere materie zelf overblijft zonder dat er voor elk nieuw stukje data extra berekeningen nodig zijn.

De studie toonde aan dat deze methode opmerkelijk goed werkt. Wanneer de onderzoekers het getrainde netwerk testten op gesimuleerde data, produceerde het resultaten die overeenkwamen met de verwachtingen van de meest gevestigde statistische methoden in het vakgebied. Het netwerk identificeerde succesvol de juiste massa en interactiekracht van de deeltjes donkere materie in de simulaties, zelfs wanneer de data ruizig was of wanneer de onderliggende aannames over het sterrenstelsel sterk afweken van het standaardmodel. Sterker nog, het netwerk presteerde zo goed dat het extreme scenario's kon afhandelen waarin de standaardveronderstellingen volledig onjuist waren, terwijl het nog steeds betrouwbare resultaten produceerde. Dit suggereert dat de methode robuust is en de chaotische realiteit van het universum beter kan aanpassen dan oudere technieken.

Misschien wel het belangrijkste is dat de onderzoekers hebben aangetoond dat deze aanpak gemakkelijk kan worden opgeschaald. Naarmate experimenten gevoeliger worden en dieper in de "neutrino-mist" doordringen — een achtergrond van signalen van zonne-neutrino's die uiteindelijk het signaal van donkere materie zullen vertroebelen — zal de noodzaak om rekening te houden met meer complexe onzekerheden groeien. Traditionele methoden zouden hiermee worstelen, omdat ze enorme hoeveelheden rekenkracht vereisen om voor elke nieuwe variabele de berekeningen opnieuw uit te voeren. De simulatie-gebaseerde methode handelt deze complexiteit echter af tijdens de trainingsfase. Zodra het netwerk getraind is, kan het nieuwe data direct analyseren, ongeacht hoeveel verschillende astrofysische modellen er in de trainingsdata zijn opgenomen. Dit maakt het een praktische en efficiënte tool voor de volgende generatie zoektochten naar donkere materie.

De bevindingen bevestigen dat kunstmatige intelligentie een vitale partner kan zijn in de zoektocht naar donkere materie, niet door de menselijke kennis te vervangen, maar door het zware werk van de complexe statistiek op zich te nemen. Door te leren van een enorme bibliotheek van gesimuleerde universums, kan de computer het signaal in de ruis vinden met een helderheid die overeenkomt met de beste door mensen ontworpen methoden. Dit betekent niet dat donkere materie is gevonden; er is nog geen zodanig signaal waargenomen. Maar het betekent wel dat wanneer het volgende experiment wordt aangezet, wetenschappers over een scherpere, flexibelere tool beschikken om de data te interpreteren, klaar om een echte ontdekking te onderscheiden van een optische illusie, zelfs als het sterrenstelsel zich op manieren gedraagt die we niet hadden verwacht.