Incorporating deep neural networks into lepton-nucleus interaction modeling

Om te begrijpen hoe het universum op zijn meest fundamentele niveau werkt, schieten wetenschappers vaak bundels deeltjes op atoomkernen en kijken wat er gebeurt wanneer deze botsen. Een van de belangrijkste vragen in dit vakgebied heeft betrekking op neutrino's, ongrijpbare deeltjes die zelden met materie interageren maar cruciale informatie bevatten over de geschiedenis van het kosmos. Om te leren van deze vluchtige deeltjes, moeten onderzoekers de energie van de neutrino-bundel reconstrueren door de brokstukken te analyseren die achterblijven na een botsing. Deze reconstructie is echter ongelooflijk moeilijk omdat de doelkernen complexe, drukke omgevingen zijn waar de regels van de eenvoudige fysica vaak niet meer gelden. De onzekerheid in het modelleren van deze kerninteracties is momenteel de grootste hindernis die wetenschappers ervan weerhoudt om nauwkeurige metingen te verrichten van de fundamentele eigenschappen van het universum.

Om dit op te lossen, wenden natuurkundigen zich vaak tot elektronen. Elektronen gedragen zich zeer vergelijkbaar met neutrino's wanneer ze een kern raken, maar in tegenstelling tot neutrino's is hun energie precies bekend vóór de botsing. Dit maakt elektronenverstrooiing een ideaal laboratorium om te testen hoe goed onze theorieën het nucleaire gedrag beschrijven. Decennialang hebben wetenschappers enorme hoeveelheden gegevens verzameld over hoe elektronen van koolstofatomen afstuiteren, wat een gedetailleerde kaart vormt van wat er tijdens deze botsingen gebeurt. De uitdaging is geweest dat we weliswaar een perfecte kaart hebben van de totale uitkomst, maar dat we een duidelijke gids missen over hoe die totale uitkomst is opgebouwd uit de specifieke, individuele puzzelstukjes. Deze kloof heeft geleid tot een aanzienlijk blinde vlek in ons vermogen om deze gebeurtenissen accuraat te simuleren voor de volgende generatie experimenten.

Een team van onderzoekers aan de Universiteit van Wrocław heeft een nieuwe methode ontwikkeld om deze kloof te overbruggen, waarbij de precisie van experimentele gegevens effectief wordt gecombineerd met het gedetailleerde verhaal van computersimulaties. Ze creëerden een systeem dat een zeer nauwkeurige voorspelling van de totale botsingsuitkomst neemt, afgeleid van een diep neuraal netwerk dat getraind is op decennia aan elektron-koolstofgegevens, en deze afbreekt in de specifieke soorten interacties die plaatsvinden. Dit stelt hen in staat om volledige, realistische simulaties te genereren van elk deeltje dat uit de botsing vliegt, waardoor het garandeert dat het totale plaatje overeenkomt met de werkelijkheid terwijl de individuele details fysiek consistent blijven.

De kern van dit werk omvat een slim tweestaps-proces. Eerst gebruikten de onderzoekers een geavanceerd computerprogramma om miljoenen elektron-botsingen met koolstofatomen te simuleren. Dit programma vertrouwt op gevestigde theorieën om de specifieke details van elk evenement te voorspellen, zoals of het elektron een enkel proton heeft uitgestoten, een pion heeft gecreëerd, of een complexere reactie heeft getriggerd waarbij meerdere deeltjes betrokken zijn. Deze simulaties bieden het "verhaal" van het evenement, waarbij wordt beschreven hoe de uiteindelijke deeltjes er precies uitzien en hoe ze bewegen. Het totale aantal gebeurtenissen dat door deze theorieën wordt voorspeld, komt echter vaak niet perfect overeen met de echte experimentele gegevens over alle energiebereiken heen.

Om deze discrepantie te verhelpen, introduceerde het team een tweede laag: een diep neuraal netwerk. Dit is een type kunstmatige intelligentie dat specifiek is getraind op het enorme archief van echte elektron-koolstofverstrooiingsmetingen. Het netwerk leerde het totale aantal botsingen te voorspellen dat zou plaatsvinden bij een bepaalde energie met extreme precisie, en fungeert effectief als een perfect referentiepunt voor de totale uitkomst. Dit neurale netwerk is echter alleen geldig binnen een strikt bereik van energieoverdrachten: het kan botsingen niet beschrijven waarbij de energieoverdracht te laag is (waarbij de kern als geheel terugstoot) of te hoog (waarbij de interactie te complex wordt). De onderzoekers namen vervolgens de door de computer gegenereerde gebeurtenissen en pasten hun belang, of "gewicht", aan, zodat het totale aantal gebeurtenissen overeenkwam met de perfecte voorspelling van het neurale netwerk binnen dit geldige bereik. Dit proces zorgt ervoor dat de simulatie verankerd is in de realiteit.

Cruciaal is dat het team niet alleen het totale aantal aanpaste, maar ook uitzocht hoe dat totale aantal verdeeld moest worden over de verschillende soorten interacties. Ze berekenden het fractie van de gebeurtenissen die quasi-elastische verstrooiing zouden zijn, waarbij een enkel deeltje wordt uitgestoten, versus meson-uitwisselingsstromen, waarbij de interactie een complexere uitwisseling van krachten tussen deeltjes omvat, en enkel-pionproductie. Door deze fracties toe te passen op de totale voorspelling van het neurale netwerk, creëerden ze een nieuw, hybride kader dat ze eWroNet noemen. Dit systeem produceert een volledige set gesimuleerde gebeurtenissen waarbij het totale gedrag wordt bepaald door de echte gegevens, terwijl de specifieke details van elk evenement nog steeds worden gegenereerd door de fysieke modellen. Het is belangrijk om op te merken dat de onderliggende fysieke modellen die deze details genereren momenteel beperkt zijn: ze beschrijven nauwkeurig de "Delta(1232)" resonantie (een specifieke aangeslagen toestand van de kern), maar bevatten nog geen hogere-energie resonanties of diepe inelastische verstrooiing, die nodig zijn om de meest energetische botsingen te beschrijven.

Wanneer de onderzoekers dit nieuwe systeem testten tegen onafhankelijke metingen van de CLAS- en e4$\nu$-samenwerkingen bij de Thomas Jefferson National Accelerator Facility, waren de resultaten veelzeggend. Het systeem reproduceerde het totale aantal botsingen in het energiebereik waarin het neurale netwerk was getraind, wat bevestigt dat de methode naar behoren werkt, hoewel het nog steeds ongeveer 15% tekortschoot voor de quasi-elastische piek en 30% bij de Delta-piek ten opzichte van de experimentele gegevens. Echter, wanneer zij naar de specifieke details van de brokstukken keken, met name in de regio waar zwaardere resonanties verschijnen, begon de simulatie tekort te schieten ten opzichte van de experimentele gegevens. Het systeem onderschatte het aantal gebeurtenissen in deze hogere energiegebieden, een beperking die voortvloeit uit het feit dat de onderliggende simulatiemodellen de meest complexe, hoogenergetische interacties nog niet volledig meenemen.

De studie benadrukte ook een specifieke spanning tussen verschillende sets experimentele gegevens. De nieuwe simulaties kwamen bijna perfect overeen met één set metingen van het Stanford Linear Accelerator Center, maar vielen aanzienlijk onder de resultaten van de Jefferson Lab-experimenten bij vergelijkbare energieën. Deze discrepantie suggereert dat er inconsistenties kunnen zijn in de experimentele gegevens zelf of dat ons begrip van het nucleaire doelwit verdere verfijning behoeft. De onderzoekers ontdekten dat hoewel hun methode het totale aantal botsingen nauwkeurig kon voorspellen, het moeite had om de volledige complexiteit van de deeltjesbrokstukken te verklaren in de semi-exclusieve metingen, waarbij slechts bepaalde deeltjes worden gedetecteerd.

Uiteindelijk biedt dit werk een krachtig nieuw instrument voor het vakgebied. Het demonstreert dat het mogelijk is om een op data gebaseerde, machine learning-voorspelling van een totale uitkomst te deconstrueren in de specifieke fysieke kanalen die deze genereren. Dit stelt wetenschappers in staat om de meest nauwkeurig beschikbare gegevens te gebruiken om hun simulaties te sturen, terwijl ze toch de gedetailleerde informatie over deeltjeskinematica behouden die nodig is voor complexe experimenten. Hoewel het huidige model beperkingen heeft, met name bij het behandelen van de meest energetische botsingen en de ingewikkelde interferentie tussen verschillende kwantummechanische processen, biedt het een duidelijke weg vooruit. Door de onderliggende modellen te verfijnen en de methode uit te breiden naar andere atomaire doelwitten, zoals argon, zou deze aanpak de onzekerheden die momenteel de metingen van de fundamentele eigenschappen van het universum hinderen, aanzienlijk kunnen verminderen.