Optimising Geometric Deep Learning for Varied Reconstruction Tasks in High Granularity Calorimeters

In het hart van de moderne natuurkunde bouwen wetenschappers machines om het universum op zijn kleinste schaal te zien. Deze machines, genaamd deeltjesdetectoren, fungeren als ongelooflijk snelle en gedetailleerde camera's die de vluchtige sporen vastleggen die achterblijven wanneer subatomaire deeltjes met bijna de snelheid van het licht op elkaar botsen. Naarmate deze machines krachtiger worden, worden ze ook gedetailleerder. Stel je een camera voor die voorheen een foto maakte met een paar duizend pixels, en nu een foto maakt met miljoenen. Deze toename in detail, bekend als granulariteit, stelt natuurkundigen in staat om individuele deeltjes duidelijker te zien, zelfs wanneer ze dicht op elkaar gepakt zitten. Deze overvloed aan detail creëert echter een enorm probleem: de hoeveelheid data is zo groot dat traditionele computermethoden moeite hebben om het snel genoeg te verwerken om nuttig te zijn. De uitdaging is niet alleen om naar de data te kijken, maar om door de chaos van miljoenen kleine signalen te zoeken om precies te begrijpen wat er in een fractie van een seconde is gebeurd.

Om dit op te lossen, hebben onderzoekers aan de École Polytechnique in Frankrijk een nieuwe manier ontwikkeld om computers te leren deze complexe patronen te begrijpen. Ze wenden zich tot een type kunstmatige intelligentie genaamd een Graph Neural Network. In plaats van de detectorgegevens te behandelen als een eenvoudig raster van getallen, zoals een standaardfoto, behandelen ze het als een kaart van verbindingen. In deze kaart is elk klein signaal van de detector een punt, en de lijnen die hen verbinden vertegenwoordigen hoe dicht die signalen bij elkaar liggen. Deze aanpak is veel beter geschikt voor de rommelige, onregelmatige vormen die deeltjes achterlaten. Het bouwen van deze kaarten is echter meestal erg traag en kostbaar voor een computer, vooral wanneer er miljoenen punten verbonden moeten worden. De onderzoekers realiseerden zich dat, omdat de fysieke lay-out van de detector vaststaat en bekend is, ze die kennis konden gebruiken om het proces veel sneller te maken zonder enige nauwkeurigheid te verliezen.

Het team testte hun ideeën op een gesimuleerde versie van een hoogwaardige detector, vergelijkbaar met een detector die gepland is voor de Large Hadron Collider. Ze creëerden een systeem dat ruwe, rommelige data kon nemen en deze kon omzetten in heldere antwoorden over welke deeltjes aanwezig waren. Eerst bouwden ze een hulpmiddel om het type deeltje te identificeren. In een drukke omgeving kunnen een elektron, een foton, een muon of een pion erg op elkaar lijken. Het nieuwe systeem slaagde erin om onderscheid te maken tussen vijf verschillende soorten deeltjes, inclusief lastige gevallen waarbij twee fotonen overlappen. Dit deed het door de unieke "vorm" te leren van de energieafzetting die elk deeltje achterlaat. Zo laten muonen bijvoorbeeld een enkel, dun spoor achter, terwijl elektronen en fotonen een verspreidende storting van energie creëren. Het systeem was zo effectief dat het het verschil kon zien tussen een enkel elektron en een paar fotonen met hoge precisie, een taak die berucht moeilijk is voor oudere methoden.

Vervolgens pakte het onderzoeksteam de taak aan om de energie van deze deeltjes te meten. Wanneer een deeltje de detector raakt, laat het een spoor van energieafzettingen achter. Het doel is om deze afzettingen bij elkaar op te tellen om de totale energie van het oorspronkelijke deeltje te vinden. Het team creëerde een model dat dit met opmerkelijke nauwkeurigheid kon doen, passend bij de theoretische limieten van wat de detector kan bereiken. Ze toonden ook aan dat dit proces kon worden opgesplitst en tegelijkertijd op veel computerprocessoren kon worden uitgevoerd. Door de detector in secties te verdelen en ze parallel te verwerken, konden ze de berekening aanzienlijk versnellen zonder de kwaliteit van het resultaat op te offeren. Dit is een cruciale stap naar het gebruik van deze systemen in real-time, waarbij beslissingen in microseconden genomen moeten worden.

Ten slotte pakte het team het moeilijkste scenario aan: wanneer twee deeltjes bijna op exact dezelfde plek de detector raken, overlappen hun signalen en vervagen ze in elkaar. Dit is als het proberen te lezen van twee overlappende handgeschreven notities. De onderzoekers bouwden een systeem dat deze gemengde signalen kon scheiden, om precies uit te vogelen hoeveel van de energie bij het eerste deeltje hoorde en hoeveel bij het tweede. Ze bereikten dit door de computer te trainen om te voorspellen waar elk deeltje de detector binnenkwam en hoe de energie ervan verdeeld was. Hoewel het systeem niet perfect was, presteerde het net zo goed als veel complexere en tragere methoden, wat bewees dat een simpelere, snellere aanpak net zo goed zou kunnen werken.

Al deze afzonderlijke hulpmiddelen werden vervolgens gecombineerd in één enkel, flexibel blauwdruk genaamd HIBOU. Dit ontwerp laat zien hoe verschillende delen van het reconstructieproces op een modulaire manier samen kunnen werken. Eén deel identificeert het deeltje, een ander meet de energie, en een derde scheidt overlappende gebeurtenissen. Als het systeem een deeltje als een muon identificeert, volgt het een eenvoudig pad. Als het een complex, overlappend evenement ziet, stuurt het de data naar een gespecialiseerd hulpmiddel. Deze structuur stelt het systeem in staat om zich aan te passen aan verschillende taken zonder dat het vanaf nul opnieuw gebouwd moet worden. De onderzoekers ontdekten dat hoewel deze modulaire aanpak krachtig is, het zorgvuldige behandeling vereist om te voorkomen dat een kleine fout in de eerste stap wordt uitvergroot in de volgende stap. Ze suggereerden dat het gezamenlijk trainen van het hele systeem, in plaats van stukje bij beetje, zou helpen om dergelijke fouten te voorkomen.

Het werk demonstreert dat door de bekende geometrie van de detector te gebruiken om de kunstmatige intelligentie te begeleiden, wetenschappers de computationele knelpunten kunnen overwinnen die de hoge-detail experimenten gewoonlijk beperken. De ontwikkelde methoden zijn niet alleen theoretisch; ze zijn getest op gesimuleerde data die de omstandigheden van toekomstige deeltjesversnellers nabootst. De resultaten laten zien dat het mogelijk is om enorme hoeveelheden data snel en nauwkeurig te verwerken, wat de deur opent voor experimenten van de volgende generatie om het universum met ongekende helderheid te zien. De onderzoekers hebben een duidelijk pad geëffend door te laten zien dat met de juiste instrumenten de vloed aan data van deze enorme machines kan worden omgezet in een stroom van ontdekkingen.