Des scientifiques de la Higher School of Economics ont mis au point une méthode qui permet aux physiciens du Grand collisionneur de hadrons (LHC) de séparer différents types de particules élémentaires avec un degré élevé de précision. Les résultats ont été publiés dans le Journal de physique .

L'un des problèmes majeurs non résolus de la physique moderne est la prédominance de la matière sur l'antimatière dans l'univers. Ils se sont tous les deux formés moins d'une seconde après le Big Bang, en fractions vraisemblablement égales, et les physiciens essaient de comprendre où l'antimatière a disparu. En 1966, Le scientifique russe Andrei Sakharov a suggéré que le déséquilibre entre la matière et l'antimatière est apparu à la suite d'une violation de CP, c'est à dire., une asymétrie entre particules et antiparticules. Ainsi, seules les particules sont restées après leur annihilation (destruction mutuelle) des contributions déséquilibrées résultantes.

L'expérience de beauté Large Hadron Collider (LHCb) étudie des particules instables appelées mésons B. Leurs désintégrations démontrent l'asymétrie la plus claire entre la matière et l'antimatière. Le LHCb se compose de plusieurs détecteurs spécialisés, Plus précisément, calorimètres pour mesurer l'énergie des particules neutres. Les calorimètres identifient également différents types de particules. Celles-ci sont effectuées par la recherche et l'analyse des grappes correspondantes de dépôt d'énergie. Il est, cependant, pas facile de séparer les signaux de deux types de photons :les photons primaires et les photons de la désintégration énergétique du méson π0. Les scientifiques du HSE ont développé une méthode permettant de classer ces deux éléments avec une grande précision.

Les auteurs de l'étude ont appliqué des réseaux de neurones artificiels et l'amplification de gradient (un algorithme d'apprentissage automatique) pour classer les énergies collectées dans les cellules individuelles du cluster énergétique.

"Nous avons pris une matrice cinq par cinq avec un centre à la cellule du calorimètre avec la plus grande énergie, " dit Fedor Ratnikov, l'un des auteurs de l'étude et l'un des principaux chercheurs du laboratoire HSE des méthodes d'analyse des mégadonnées. "Au lieu d'analyser les caractéristiques spéciales construites à partir d'énergies brutes dans les cellules de cluster, nous passons ces énergies brutes directement à l'algorithme pour analyse. La machine était capable de donner un sens aux données mieux qu'une personne."

Par rapport à la méthode précédente de pré-traitement des données, la nouvelle méthode basée sur l'apprentissage automatique a quadruplé les métriques de qualité pour l'identification des particules sur le calorimètre. L'algorithme a amélioré la qualité de la classification de 0,89 à 0,97 ; plus ce chiffre est élevé, mieux le classificateur fonctionne. Avec un taux d'efficacité de 98 % de l'identification initiale des photons, la nouvelle approche a réduit le taux d'identification de faux photons de 60 à 30 %.

La méthode proposée est unique en ce qu'elle permet d'identifier des particules élémentaires sans étudier au préalable les caractéristiques de l'amas analysé. "Nous transmettons les données à l'apprentissage automatique dans l'espoir que l'algorithme trouve des corrélations que nous n'aurions peut-être pas envisagées. L'approche a évidemment fonctionné dans ce cas, " conclut Fedor Ratnikov.