Sequential SBI for Resonance Searches at the LHC

De Large Hadron Collider is een machine van immense omvang, die deeltjes tegen elkaar aan laat botsen met bijna de snelheid van het licht om de omstandigheden van de vroegste momenten van het universum te recreëren. Elke keer dat twee bundels botsen, ontstaat er een stortvloed van nieuwe deeltjes die aanwijzingen bevatten over de fundamentele wetten van de natuur. Natuurkundigen besteden al decennia aan het leren hoe ze deze botsingen kunnen lezen, op zoek naar patronen die afwijken van de standaard regels van de fysica. De uitdaging is dat deze botsingen een overweldigende hoeveelheid gegevens produceren, veel meer dan een mens handmatig kan sorteren. Traditioneel hebben wetenschappers dit beheerd door de informatie te comprimeren tot eenvoudige histogrammen, wat in essentie staafdiagrammen zijn die laten zien hoe vaak bepaalde uitkomsten voorkomen. Hoewel nuttig, gooit deze methode een enorme hoeveelheid details weg die verborgen liggen in de complexe relaties tussen de deeltjes.

In de afgelopen jaren is er een nieuwe aanpak ontstaan die kunstmatige intelligentie gebruikt om de ruwe, hoogdimensionele gegevens te analyseren zonder er iets van weg te gooien. Deze techniek, bekend als simulatie-gebaseerde inferentie, traint computernetwerken om de subtiele verschillen te herkennen tussen bekende achtergrondprocessen en potentiële nieuwe signalen. Er blijft echter een aanzienlijke hindernis bestaan: hoewel deze methoden goed werken voor het meten van de sterkte van interacties, hebben ze moeite wanneer ze nieuwe deeltjes met onbekende massa's of breedtes moeten vinden. Het vinden van een nieuw deeltje is als het zoeken naar een specifieke naald in een hooiberg, maar de naald kan gemaakt zijn van een materiaal dat de vorm van het stro zelf verandert. Om te leren hoe het signaal eruitziet, moeten wetenschappers miljoenen botsingen simuleren over een breed scala aan mogbare massa's en breedtes, een taak die al snel te duur en te traag wordt om praktisch uitvoerbaar te zijn.

Een team onderzoekers aan de Universiteit van Heidelberg heeft een oplossing voor dit probleem ontwikkeld door de manier waarop de simulaties worden uitgevoerd te veranderen. In plaats van hun computationele middelen gelijkmatig te verdelen over elk mogelijk scenario, hebben zij een methode bedacht die leert van de gegevens terwijl ze bezig zijn. Stel je een zoekploeg voor die een vermiste wandelaar zoekt in een enorm bos. Een traditionele zoektocht zou teams uitsturen om elk vierkante mijl van het bos gelijkmatig te dekken, ongeacht waar de wandelaar voor het laatst gezien is. De nieuwe methode, beschreven in een recente studie, werkt meer als een slimme zoekploeg die begint met een brede inspectie, maar vervolgens de eerste aanwijzingen gebruikt om haar inspanningen te concentreren. Als de eerste ronde van het zoeken suggereert dat de wandelaar waarschijnlijk in de noordelijke bossen is, concentreert de volgende ronde van simulaties zich zwaar op die plek, waardoor de zoektocht met grotere precisie wordt verfijnd waar het er echt toe doet.

De onderzoekers testten deze sequentiële aanpak op drie verschillende scenario's, variërend van een vereenvoudigd theoretisch model tot complexe, realistische simulaties van deeltjesbotsingen. In de eerste test gebruikten ze een bekende wiskundige formule om een perfect referentiekader te genereren, waardoor ze precies konden zien hoe goed hun nieuwe methode presteerde. Ze ontdekten dat door hun simulaties iteratief te concentreren op de regio's die door de geobserveerde gegevens worden bevoordeeld, het algoritme de ware waarschijnlijkheid van een signaal met veel grotere nauwkeurigheid kon reconstrueren dan een enkele, brede zoektocht met dezelfde hoeveelheid rekenkracht. De methode identificeerde succesvol de juiste massa en breedte van een hypothetisch deeltje, terwijl de traditionele aanpak, zelfs met hetzelfde aantal gesimuleerde gebeurtenissen, wazige en soms misleidende resultaten produceerde.

Bij het overgaan naar meer realistische omstandigheden pasten het team hun methode toe op twee specifieke soorten deeltjesvervallen die zouden kunnen optreden bij de Large Hadron Collider. De eerste betrof een zwaar deeltje dat vervalt in een Z-boson en een ander zwaar deeltje, dat vervolgens uiteenviel in leptonen en bottom-quarks. Het tweede scenario was nog complexer, waarbij een zware resonantie verviel in twee Higgs-bosonen, die vervolgens elk vervielen in vier top-quarks. Dit zijn moeilijke processen om te analysen omdat de deeltjes zo snel bewegen dat hun vervalproducten samensmelten, wat een rommelig signaal creëert dat moeilijk te onderscheiden is van de achtergrondruis. In beide gevallen bleek de sequentiële methode superieur. Het slaagde erin om de juiste parameters van de hypothetische deeltjes aan te wijzen en bood een veel betrouwbaardere maatstaf voor hoe zeker wetenschappers konden zijn van die resultaten.

De studie toonde ook aan dat deze aanpak niet alleen het juiste antwoord vindt, maar ook vertelt hoe zeker het is. Bij statistische analyse is het cruciaal om te weten of een betrouwbaarheidsinterval te nauw is, wat wetenschappers overmoedig zou maken in een fout antwoord, of te breed, wat een echte ontdekking zou verbergen. De onderzoekers controleerden hun methode door duizenden nep-datasets te creëren en te kijken hoe vaak het ware antwoord binnen het voorspelde bereik viel. Ze vonden dat hun sequentiële methode goed gekalibreerde resultaten produceerde, wat betekent dat de vermelde betrouwbaarheidsniveaus overeenkwamen met de werkelijkheid. In contrast hiermee neigden de traditionele methoden met één ronde naar overmoedigheid, waarbij ze een niveau van zekerheid claimden dat de gegevens eigenlijk niet ondersteunden.

Dit werk vormt een belangrijke stap voorwaarts in de manier waarop natuurkundigen zich voorbereiden op de toekomst van deeltjesontdekkingen. Naarmate de Large Hadron Collider meer gegevens verzamelt, zal het volume aan informatie alleen maar groeien, waardoor efficiënte analyse belangrijker dan ooit wordt. Door aan te tonen dat simulaties dynamisch kunnen worden gestuurd om zich te concentreren op de meest veelbelovende gebieden, hebben de onderzoekers een instrument geleverd dat kan helpen bij het ontsluieren van nieuwe fysica die anders verborgen zou kunnen blijven in de ruis. De methode vereist geen nieuwe hardware of een fundamentele verandering in hoe experimenten worden uitgevoerd; het verandert simpelweg de strategie voor hoe de gegevens worden verwerkt. Voor wetenschappers die op zoek zijn naar de volgende grote ontdekking, betekent dit dat ze nu dieper in de gegevens kunnen kijken met een scherpere, betrouwbaardere lens, zodat wanneer een nieuw deeltje wordt gevonden, het bewijs daarvoor zo solide mogelijk is.