Open Science with the LHCb Ntupling Service

Hogere energie fysica is de studie van de meest fundamentele bouwstenen van het universum, uitgevoerd door deeltjes met elkaar te laten botsen op snelheden die de lichtsnelheid benaderen. Deze botsingen creëren een chaotische spray van nieuwe deeltjes, die detectoren vastleggen in enorme hoeveelheden digitale informatie. Decennialang waren de wetenschappers die deze massieve machines bouwden de enigen die de data konden lezen, omdat de bestanden geschreven waren in complexe, aangepaste talen die gespecialiseerde software vereisten om te decoderen. Dit creëerde een barrière: zodra een team zijn officiële analyse had voltooid, bleef de ruwe data vaak ongebruikt liggen, ontoegankelijk voor de bredere wereld. Het doel van "open wetenschap" is om dit te veranderen, zodat onderzoekers, studenten en nieuwsgierige geesten overal deze botsingen opnieuw kunnen bezoeken en nieuwe vragen kunnen stellen. Het is echter niet genoeg om simpelweg de ruwe bestanden vrij te geven; de data is te groot en te ingewikkeld voor iedereen zonder een PhD in het specifieke experiment om te gebruiken. De uitdaging is geweest om een manier te vinden om deze schatkist aan informatie bruikbaar te maken zonder dat elke nieuwe gebruiker de gehele, complexe geschiedenis van de software van het experiment hoeft te leren.

Om dit op te lossen, heeft de LHCb-collaboratie bij CERN een nieuwe digitale tool gebouwd genaamd de LHCb Ntupling Service. Dit is een webgebaseerd platform dat fungeert als een brug tussen de enorme, complexe data die opgeslagen is in de Large Hadron Collider en de alledaagse tools die wetenschappers gebruiken om deze te analyseren. In plaats van gebruikers te dwingen terabytes aan ruwe, onleesbare bestanden te downloaden, stelt de service hen in staat om precies de informatie op te vragen die ze nodig hebben. Een gebruiker kan inloggen, een specifiek type deeltjesbotsing selecteren waarin hij geïnteresseerd is, en kiezen welke details over die botsingen hij wil zien. Het systeem verwerkt de data vervolgens automatisch, waarbij alleen die specifieke details worden geëxtraheerd en georganiseerd in een schoon, standaardformaat dat geopend kan worden met gangbare analyse-software. Dit proces, bekend als "ntupling", transformeert de data van een vergrendelde kluis naar een hanteerbaar, open boek. De service beslaat data van de eerste twee grote runs van de collider, wat meer dan 4 petabyte aan botsingsgeschiedenis vertegenwoordigt, en maakt voor het eerst de data van de tweede run op deze flexibele manier toegankelijk.

Het systeem werkt door een gebruiksvriendelijke website te verbinden met een krachtige computing grid die wereldwijd draait. Wanneer iemand de site bezoekt, wordt hij verwelkomd door een galerij met voorbeelden, die laten zien hoe anderen de tool hebben gebruikt om zaken te bestuderen zoals de massa van specifieke deeltjes. Als zij hun eigen studie willen opzetten, gebruiken ze een begeleide interface om de deeltjes te kiezen die ze willen onderzoeken, zoals een specifiek vervalproces, en selecteren vervolgens de exacte variabelen die ze willen registreren, zoals de snelheid of de richting van de deeltjes. Het systeem accepteert geen code of instructies die het netwerk schade kunnen berokkenen; in plaats daarvan vertaalt het de keuzes van de gebruiker naar een veilig, standaard configuratiebestand. Dit bestand wordt vervolgens naar een team van experts gestuurd die het controleren om er zeker van te zijn dat het correct en veilig is. Eenmaal goedgekeurd, wordt het verzoek naar de Worldwide LHC Computing Grid gestuurd, waar duizenden computers samenwerken om de data te verwerken. Het systeem voert eerst een kleine test uit om er zeker van te zijn dat de gebruiker de juiste informatie krijgt. Als de test succesvol is, kan de gebruiker een volledige run goedkeuren, die de volledige dataset die is aangevraagd verwerkt.

Het resultaat is een op maat gemaakt databestand, dat doorgaans varieert van enkele honderden megabytes tot enkele honderden gigabytes, dat de gebruiker direct van het web kan downloaden. Dit bestand bevat alleen de informatie waar de gebruiker om heeft gevraagd, ontdaan van de onnodige complexiteit van het oorspronkelijke experiment. Deze aanpak biedt een aanzienlijk voordeel ten opzichte van eerdere methoden. In het verleden, om data openbaar te maken, moesten teams de volledige dataset in het oorspronkelijke, enorme formaat vrijgeven, wat voor de tweede run van de collider bijna 10 petabyte aan data naar een publiek portaal zou hebben gekopieerd—een taak die te duur en te middelenintensief was om haalbaar te zijn. Door deze aangepaste, kleinere bestanden op aanvraag te creëren, houdt de service de voetafdruk van de data klein; de eerste 100 verzoeken genereerden in totaal slechts ongeveer 10 terabyte aan output. Dit maakt de data toegankelijk voor iedereen met een standaard computer en een internetverbinding, waardoor de noodzaak voor dure computing clusters of gespecialiseerde training vervalt.

De service is ontworpen om intuïtief te zijn, zelfs voor degenen zonder achtergrond in de deeltjesfysica. Het bevat gedetailleerde handleidingen en voorbeelden die gebruikers door elke stap leiden, van het selecteren van een dataset tot het analyseren van de resultaten. Gebruikers kunnen rechtstreeks communiceren met het LHCb open data-team via het platform om vragen te stellen of hulp te krijgen bij hun specifieke verzoeken. Deze interactie is waardevol gebleken, waarbij het team positieve feedback heeft ontvangen van een diverse groep gebruikers, waaronder universiteitsstudenten, docenten in het voortgezet onderwijs en professionele onderzoekers. De tool is al gebruikt voor een verscheidenheid aan doeleinden, van het bestuderen van de eigenschappen van exotische deeltjes tot het ontwikkelen van nieuwe statistische methoden en het onderwijzen van natuurkundige concepten. Het systeem is ook gekoppeld aan het CERN Open Data Portal, waar succesvolle verzoeken kunnen worden omgezet in permanente, citeerbare records met unieke digitale identificaties, wat ervoor zorgt dat de data beschikbaar blijft voor toekomstige generaties.

Vooruitblikkend is de service ontworpen om te groeien. Het team plant om data van 2018 toe te voegen, die aanvankelijk niet beschikbaar was, en uiteindelijk uit te breiden naar andere soorten botsingen, zoals die waarbij loodionen betrokken zijn. Hoewel de volgende fase van de collider, Run 3, significante updates aan de software vereist omdat de onderliggende datastructuur is veranderd, vertegenwoordigt het huidige systeem een belangrijke mijlpaal. Het heeft succesvol aangetoond dat het mogelijk is om de meest complexe wetenschappelijke data ter wereld te openen zonder dat elke gebruiker een expert in de interne software van het experiment hoeft te worden. Door een duidelijk, begeleid pad naar de data te bieden, heeft de LHCb Ntupling Service een massief, statisch archief veranderd in een dynamische bron, waardoor de wetenschappelijke gemeenschap de geheimen van het universum kan verkennen met een nieuw niveau van vrijheid en gemak.