Bij de Large Hadron Collider botsen protonen met bijna de snelheid van het licht tegen elkaar, waarbij een chaotische spray van nieuwe deeltjes ontstaat die alle kanten op vliegen. Om te begrijpen wat er tijdens deze botsingen gebeurt, moeten natuurkundigen de paden van deze deeltjes reconstrueren uit de ruwe signalen die ze achterlaten in gigantische detectoren. Traditioneel gezien is dit een proces van meerdere stappen: eerst vinden algoritmen de minuscule impactpunten, de zogenaamde 'hits'; daarna verbinden andere programma's deze punten tot lijnen, de zogenaamde 'tracks'; tot slot gebruiken natuurkundigen die tracks om grotere objecten zoals jets te bouwen of om de gehele gebeurtenis te classificeren. Deze keten van gespecialiseerde hulpmiddelen werkt goed voor de meest energetische deeltjes, maar negeert vaak de overgrote meerderheid van het puin – de tragere, lichtere deeltjes die te zwak zijn om te vangen of te talrijk om individueel te sorteren. Omdat deze deeltjes met lage energie meer dan negentig procent van de geladen materie in een botsing vormen, betekent het negeren ervan dat men het grootste deel van het verhaal wegwerpt.

Een team van onderzoekers heeft nu een nieuwe aanpak ontwikkeld die de traditionele assemblageband overslaat. In plaats van stap voor stap een hiërarchie van objecten op te bouwen, hebben ze een enkel, flexibel systeem gecreëerd dat leert de gehele gebeurtenis direct te begrijpen vanuit de ruwe hits. Door een geavanceerd computermodel te trainen op miljoenen gesimuleerde botsingen, hebben ze het model geleerd om patronen in de detectorgegevens te herkennen zonder eerst de moeilijke, laagenergetische deeltjes weg te filteren. Deze methode, die ze AlphaHits noemen, reconstrueert succesvol de paden van bijna elk geladen deeltje in een botsing, inclus: de trage deeltjes inbegrepen, en gebruikt diezelfde kennis om complexe gebeurtenistypen te identificeren en energieniveaus te meten. Het resultaat is een systeem dat het hele plaatje in één keer ziet, in plaats van te proberen het uit fragmenten samen te stellen, wat een completere en efficiëntere manier biedt om de fundamentele bouwstenen van het universum te bestuderen.

De kern van dit werk is een model dat is ontworpen om de enorme hoeveelheid gegevens die in een enkele botsing wordt geproduceerd, te verwerken. In een typische hoogenergetische gebeurtenis registreert de detector tot wel 150.000 individuele contactpunten. Eerdere pogingen met machine learning richtten zich vaak alleen op de meest energetische deeltjes, waardoor de dichte wolk van tragere deeltjes eromheen effectief werd genegeerd. De onderzoekers wilden weten of een computer deze gehele wolk in één keer kon navigeren. Ze bouwden een systeem dat elke hit als input neemt en het systeem twee dingen tegelijkertijd vraagt: uitzoeken welke hits bij hetzelfde deeltje horen, en bepalen wat voor soort gebeurtenis er heeft plaatsgevond. Hiervoor gebruikten ze een type neurale netwerkarchitectuur dat alle datapunten gezamenlijk kan bekijken, waardoor verbindingen tussen hen worden gevonden, zelfs wanneer ze ver van elkaar verwijderd zijn in de detector.

In het eerste deel van hun studie richtte het team zich op de taak van tracking. Ze trainden hun model op een dataset van gesimuleerde botsingen met tot wel 150.000 hits, die de drukke omstandigheden vertegenwoordigen die worden verwacht tijdens toekomstige hoog-luminositeitsruns van de collider. Het model moest elke hit toewijzen aan een specifieke deeltjestraject zonder dat het werd verteld om deeltjes op basis van hun snelheid te negeren. Dit was een enorme uitdaging omdat de deeltjes met lage snelheid een verstrengeld web van paden creëren die moeilijk te ontwarren zijn. De onderzoekers ontwierpen een proces in twee fasen om dit op te lossen. Eerst helpt een globaal overzicht van de gebeurtenis het model om een ruwe schatting te maken van welke hits bij elkaar horen. Vervolgens zoomt een fase van lokale verfijning in op de meest verwarrende gebieden om de resterende ambiguïteiten op te lossen. Deze aanpak stelde het systeem in staat om de volledige inhoud van de gebeurtenis te reconstrueren, inclusief de ongrijpbare deeltjes met lage snelheid die eerdere methoden vaak misten. Bij tests identificeerde het model correct de paden van deeltjes over het gehele snelheidsbereik, waarmee het een nauwkeurigheidsniveau bereikte dat een nieuwe standaard zet voor inclusieve tracking.

Voortbouwend op dit succes breidden de onderzoekers het systeem uit om meerdere taken tegelijkertijd uit te voeren. Ze namen hetzelfde model dat had geleerd om deeltjes te tracken en voegden extra "koppen" toe die de data voor verschillende doeleinden konden interpreteren. Nu kon het systeem niet alleen de tracks tekenen, maar ook jets van deeltjes identificeren, het type deeltjes binnen die jets bepalen, de totale energie van de gebeurtenis meten en zelfs de gebeurtenis classificeren als een specif kind van een botsing, zoals een botsing die een Higgs-boson produceert. Opmerkelijk genoeg leerde het model al deze vaardigheden van dezelfde onderliggende representatie van de detectorhits. Het had geen aparte programma's nodig voor tracking, energiemeting of classificatie; het gebruikte een enkel, gedeeld begrip van de ruwe data om al deze vragen te beantwoorden.

De resultaten toonden aan dat deze verenigde aanpak zeer effectief is. Wanneer het model de opdracht kreeg om onderscheid te maken tussen botsingen die een Higgs-boson produceren en botsingen die dat niet doen, behaalde het een hoog niveau van nauwkeurigheid met alleen de ruwe hits van de binnenste tracker. Wanneer de onderzoekers informatie toevoegden van de calorimeter, die energie meet, verbeterde de nauwkeurigheid nog verder en kwam deze overeen met of overtrof zelfs de prestaties van traditionele methoden die vertrouwen op volledig gereconstrueerde objecten. Het systeem bleek ook in staat om jets te reconstrueren en ontbrekende energie met een precisie te meten die vergelijkbaar is met gevestigde instrumenten, terwijl het de ruwe data direct verwerkt. Dit suggereert dat het model een diep, fysiek begrip van de botsing heeft geleerd dat niet afhankelijk is van de specifieke stappen van de traditionele reconstructieketen.

De studie demonstreert dat het mogelijk is om af te stappen van de oude, gefragmenteerde manier van het analyseren van deeltjesbotsingen. Door één enkel systeem te trainen om naar de gehele gebeurtenis te kijken vanaf het allereerste begin, hebben de onderzoekers aangetoond dat de ruwe data voldoende informatie bevatten om complexe natuurkundige problemen op te lossen zonder tussenliggende filtering. Deze aanpak behoudt informatie die anders verloren zou gaan, met name van de deeltjes met lage energie die het grootste deel van het botsingspuin vormen. Hoewel het huidige werk steunt op gesimuleerde data, suggereert het succes van het model in het verwerken van dergelijke grote en complexe gebeurtenissen een veelbelovend pad voorwaarts. Het wijst naar een toekomst waarin natuurkundige analyses end-to-end kunnen worden geoptimaliseerd, waarbij direct vanuit de detector wordt geleerd om signalen te ontdekken die mogelijk verborgen liggen in de ruis van conventionele methoden. Het werk beweert niet elk probleem in de deeltjesfysica te hebben opgelost, maar het biedt een krachtig nieuw instrument dat de manier waarop wetenschappers kennis extraheren uit de chaotische schoonheid van hoogenergetische botsingen fundamenteel kan veranderen.