Application of sequence learning for predicting radiation damage of the CMS electromagnetic calorimeter
本文利用在2016年至2018年LHC公开数据上训练的编码器-解码器序列到序列深度神经网络，有效地预测了CMS电磁量热计中钨酸铅晶体辐射损伤的时间演化。
原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。 阅读完整免责声明
现代物理学的核心在于探索宇宙的基本构建模块。为了实现这一目标，科学家们将粒子以惊人的速度撞击在一起，创造出宇宙诞生之初瞬间存在的条件。其中一台为了实现此目的而建造的最强大的机器是大型强子对撞机，这是一个埋在法国和瑞士边境地带的巨大环形装置。在这台机器内部，紧凑型缪子线圈实验（Compact Muon Solenoid experiment）扮演着一个巨大的、超灵敏相机的角色，捕捉这些高速碰撞产生的碎片照片。这个相机的一个关键部分是由数千个沉重且透明的水晶组成的探测器。当一个粒子撞击其中一个水晶时，它会释放出一道蓝光，就像石块跳过池塘时产生涟漪一样。通过测量这道光的亮度，物理学家可以计算出撞击它的粒子的能量。然而，对撞机内部的环境极其恶劣。持续不断的辐射轰击就像对这些水晶进行缓慢且无形的喷砂处理，逐渐使它们的透明度变得浑浊。随着时间的推移，这种损伤使得水晶在传输光线方面的效率降低，从而威胁到整个实验的准确性。为了保持探测器的正常工作，科学家必须不断监测水晶变得多浑浊，并据此修正他们的测量结果。
在最近的一项研究中，研究人员转向人工智能来解决预测这些水晶如何老化的难题。该团队并没有仅仅依赖于人工检查或简单的统计猜测，而是应用了一种被称为序列到序列（sequence-to-sequence）模型的复杂机器学习方法。这种方法将水晶透明度的历史视为一个有开头、中间和结尾的故事。计算机被输入了一长串过去的测量数据，展示了随着对撞机的运行与停止，水晶的清晰度在每一天是如何变化的。系统学会了识别这些数据中的模式，例如水晶在剧烈碰撞期间如何迅速变暗，以及在机器未运行时如何在平静期缓慢恢复清晰度。其目标是教会计算机阅读这段历史，然后编写下一章，即预测水晶未来的表现。
研究人员使用 2016 年至 2018 年间从对撞机收集的真实数据测试了这种方法。他们专注于探测器中的特定水晶，向计算机输入一段过去的校准值窗口，并要求它预测未来几天的透明度。结果令人鼓舞。人工智能模型成功追踪了水晶清晰度的上升与下降，其预测结果与实际测量值高度吻合。对于所分析的水晶，预测结果显示的平均绝对百分比误差约为 18% 至 26%，而绝对误差保持在可控范围内。该模型在短期预测方面表现尤为出色，捕捉到了辐射损伤及其随后的恢复过程。这表明此类系统可以成为运行实验的科学家的可靠工具，使他们能够在损伤显著影响数据之前就对其有所预判。
该研究还深入调查了以往利用机器学习解决同一问题的尝试。研究人员发现，之前的研究曾报告在某些数据间隔处出现了奇怪的性能下降，这最初看起来像是一个令人惊讶的科学异常现象。在重新检查该早期工作中使用的代码后，团队发现了一个简单的编程错误，正是它导致了这些误导性的结果。一旦修复了这个漏洞，之前的模型性能变得更加稳定，尽管它仍无法达到这种新序列到序列方法的稳定性。新模型无论使用多少过去的数据，都能保持稳定的准确水平，展现出更强的泛化能力和预测未来行为的能力。
这项工作证明了深度学习可以有效地模拟探测器材料复杂的、随时间变化的老化过程。通过准确预测水晶将如何退化和恢复，该方法为优化实验所使用的校准策略提供了一种途径。这不仅仅是一个理论练习；它对于成千上万依赖紧凑型缪子线圈进行精确宇宙测量的科学家来说具有实际价值。如果探测器的传感器变得浑浊且未得到修正，它们收集的数据就会变得不可靠。通过使用这些预测工具，合作团队可以确保测量保持锐利和准确，即使在机器继续在地球上辐射最密集的环境之一运行的情况下也是如此。研究人员计划将这项工作扩展到更多水晶，并探索更先进的学习策略，旨在建立一个能够同时处理整个探测器的系统。目前，这种方法的成功为保持这个世界上最强大的粒子相机处于完美聚焦状态奠定了坚实的基础。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。