Maschinelles Lernen revolutioniert unser Verständnis von Partikel-„Jets“

Rückmeldung

3. August 2023 | Von

Was passiert, wenn Sie – anstatt eine einzelne Teilchenspur oder Energieablagerung in Ihrem Detektor aufzuzeichnen – eine komplexe Ansammlung vieler Teilchen mit vielen Spuren sehen, die eine große Energiemenge in Ihren Kalorimetern hinterlässt? Dann herzlichen Glückwunsch: Sie haben einen „Jet“ aufgenommen!

Jets sind die komplizierten experimentellen Signaturen, die Schauer stark wechselwirkender Quarks und Gluonen hinterlassen. Durch die Untersuchung des inneren Energieflusses eines Jets – auch bekannt als „Jet-Unterstruktur“ – können Physiker mehr über die Art von Teilchen erfahren, die ihn erzeugt hat. Beispielsweise könnten mehrere hypothetische neue Teilchen bei extrem hohen (oder „erhöhten“) Energien in schwere Teilchen des Standardmodells zerfallen. Diese Teilchen könnten dann in mehrere Quarks zerfallen und im ATLAS-Experiment „verstärkte“, vielstrahlige Jets hinterlassen.

Physiker verwenden „Tagger“, um diese Jets von Hintergrundjets zu unterscheiden, die von einzelnen Quarks und Gluonen erzeugt werden. Auch die Art der im Jet erzeugten Quarks kann zusätzliche Informationen über das ursprüngliche Teilchen liefern. Beispielsweise zerfallen Higgs-Bosonen und Top-Quarks häufig in B-Quarks – in ATLAS als „B-Jets“ sichtbar – die sich von anderen Jet-Arten anhand der langen Lebensdauer des B-Hadrons unterscheiden lassen.

Die Komplexität von Jets bietet sich natürlich für Algorithmen der künstlichen Intelligenz (KI) an, die in der Lage sind, große Informationsmengen effizient in präzise Entscheidungen umzuwandeln. KI-Algorithmen sind seit mehreren Jahren fester Bestandteil der ATLAS-Datenanalyse, wobei ATLAS-Physiker diese Werkzeuge kontinuierlich an neue Grenzen bringen. Diese Woche präsentierten ATLAS-Physiker auf der BOOST 2023-Konferenz im Lawrence Berkeley National Lab (USA) vier aufregende neue Ergebnisse zum Jet-Tagging mithilfe von KI-Algorithmen.

Zwei Ergebnisse zeigten neue ATLAS-Tagger, die zur Identifizierung von Jets verwendet werden, die aus einem beschleunigten W-Boson-Zerfall stammen, im Gegensatz zu Hintergrundjets, die von leichten Quarks und Gluonen stammen. In der Regel werden KI-Algorithmen auf „hochrangige“ Informationen zur Jet-Unterstruktur trainiert, die vom ATLAS-Innendetektor und den Kalorimetern aufgezeichnet werden – wie etwa die Jet-Masse, Energiekorrelationsverhältnisse und Jet-Aufteilungsskalen. Diese neuen Studien nutzen stattdessen „untergeordnete“ Informationen von denselben Detektoren – etwa die direkten kinematischen Eigenschaften der Bestandteile eines Jets oder die neuartige zweidimensionale Parametrisierung der Strahlung innerhalb eines Jets (bekannt als „Lund-Jet-Ebene“) aus den Bestandteilen des Strahls und unter Verwendung von Diagrammen, die auf der Entwicklung des Partikelschauers basieren (siehe Abbildung 1).

Diese neuen Tagger ermöglichten es, die Form von Signal und Hintergrund weitaus effektiver zu trennen, als dies mit High-Level-Taggern allein möglich wäre (siehe Abbildung 2). Insbesondere der flugzeugbasierte Tagger von Lund Jet übertrifft die anderen Methoden, indem er die gleichen Eingaben für die KI-Netzwerke verwendet, jedoch in einem anderen Format, das von der Physik der Jet-Shower-Entwicklung inspiriert ist.

Eine ähnliche Entwicklung wurde bei der Entwicklung eines neuen verstärkten Higgs-Taggers verfolgt, der Jets identifiziert, die von verstärkten Higgs-Bosonen stammen, die hadronisch in zwei B-Quarks oder C-Quarks zerfallen. Es verwendet auch Informationen auf niedriger Ebene – in diesem Fall Spuren, die vom inneren Detektor rekonstruiert wurden, der mit dem einzelnen Jet verbunden ist, der die Zerfälle des Higgs-Bosons enthält. Dieser neue Tagger ist der bisher leistungsstärkste Tagger und stellt eine Verbesserung um den Faktor 1,6 bis 2,5 bei einer um 50 % gesteigerten Higgs-Signaleffizienz gegenüber der vorherigen Version des Taggers dar, die High-Level-Informationen vom Jet und B/ nutzte. c-Quark zerfällt als Eingabe für ein neuronales Netzwerk (siehe Abbildung 3).

Schließlich stellten ATLAS-Forscher zwei neue Tagger vor, die darauf abzielen, zwischen Jets, die von Quarks stammen, und solchen, die von Gluonen stammen, zu unterscheiden. Ein Tagger untersuchte die Vielfalt der geladenen Teilchenbestandteile der markierten Jets, während der andere mehrere Jet-Kinematik- und Jet-Substrukturvariablen mithilfe eines Boosted Decision Tree kombinierte. Physiker verglichen die Leistung dieser Quark/Gluon-Tagger; Abbildung 4 zeigt die Unterdrückung von Gluonenstrahlen als Funktion der Quarkselektionseffizienz in der Simulation. Mehrere Studien zu Standardmodellprozessen – einschließlich der Vektorbosonenfusion – und neue physikalische Suchen mit Quark-reichen Signalen könnten von diesen Taggern stark profitieren. Damit sie jedoch in Analysen verwendet werden können, müssen zusätzliche Korrekturen an der Signaleffizienz und der Hintergrundunterdrückung vorgenommen werden, um die Leistung der Tagger in Daten und Simulation anzugleichen. Die Forscher haben sowohl die Effizienz als auch die Ausschussraten in den Daten von Lauf 2 für diese Tagger gemessen und eine gute Übereinstimmung zwischen den gemessenen Daten und den Vorhersagen festgestellt; Daher sind nur kleine Korrekturen erforderlich.

Die hervorragende Leistung dieser neuen Jet-Tagger ist nicht unumstritten. Entscheidend ist die Frage: Wie können Forscher interpretieren, was die Modelle des maschinellen Lernens gelernt haben? Und warum zeigen komplexere Architekturen eine stärkere Abhängigkeit von der Modellierung simulierter physikalischer Prozesse, die für das Training verwendet werden, wie die beiden W-Tagging-Studien zeigen? Abgesehen von den Herausforderungen bilden diese Tagger eine hervorragende Grundlage für die Analyse von LHC-Run-3-Daten. Angesichts der aktuellen Fortschritte beim maschinellen Lernen wird seine fortgesetzte Anwendung in der Teilchenphysik hoffentlich in den kommenden Jahren das Verständnis von Jets verbessern und das ATLAS-Physikprogramm revolutionieren.

Physik-Briefing | 1. August 2023

Nachrichten | 31. Juli 2023

Nachrichten | 23. März 2022