Dans le cadre de la collaboration ATLAS, des scientifiques du Laboratoire national d'Argonne du Département américain de l'énergie (DOE) et leurs collègues ont récemment utilisé une approche d'apprentissage automatique appelée détection d'anomalies pour analyser de grands volumes de données ATLAS. Cette méthode n’a jamais été appliquée aux données d’une expérience avec un collisionneur. Cela a le potentiel d’améliorer l’efficacité de la recherche de quelque chose de nouveau par la collaboration. La collaboration implique des scientifiques de 172 organismes de recherche.

L’équipe a exploité un type d’algorithme d’apprentissage automatique inspiré du cerveau, appelé réseau neuronal, pour rechercher dans les données des caractéristiques anormales ou des anomalies. La technique rompt avec les méthodes plus traditionnelles de recherche de nouvelle physique. Il est indépendant des idées préconçues des scientifiques, et donc non contraint.

Traditionnellement, les scientifiques d’ATLAS s’appuient sur des modèles théoriques pour guider leurs expériences et analyses dans les directions les plus prometteuses pour la découverte. Cela implique souvent d'effectuer des simulations informatiques complexes pour déterminer à quoi ressembleraient certains aspects des données de collision selon le modèle standard.

Les scientifiques comparent ces prédictions du modèle standard aux données réelles d’ATLAS. Ils les comparent également aux prédictions faites par de nouveaux modèles physiques, comme ceux qui tentent d'expliquer la matière noire et d'autres phénomènes non pris en compte par le modèle standard.

Mais jusqu’à présent, aucun écart par rapport au modèle standard n’a été observé dans les milliards de milliards de collisions enregistrées à ATLAS. Et depuis la découverte du boson de Higgs en 2012, l'expérience ATLAS n'a toujours pas trouvé de nouvelles particules.

"La détection des anomalies est une manière très différente d'aborder cette recherche", a déclaré Sergei Chekanov, physicien à la division de physique des hautes énergies d'Argonne et auteur principal de l'étude. "Plutôt que de rechercher des écarts très spécifiques, l'objectif est de trouver des signatures inhabituelles dans les données qui sont totalement inexplorées et qui peuvent sembler différentes de ce que prédisent nos théories."

Pour effectuer ce type d’analyse, les scientifiques ont représenté chaque interaction de particule dans les données sous la forme d’une image ressemblant à un code QR. Ensuite, l'équipe a entraîné son réseau neuronal en l'exposant à 1 % des images.

Le réseau se compose d’environ 2 millions de nœuds interconnectés, analogues aux neurones du cerveau. Sans guidage ni intervention humaine, il a identifié et mémorisé les corrélations entre les pixels des images qui caractérisent les interactions du modèle standard. En d'autres termes, il a appris à reconnaître les événements typiques qui correspondent aux prédictions du modèle standard.

Après la formation, les scientifiques ont alimenté les 99 % restants des images via le réseau neuronal pour détecter d’éventuelles anomalies. Lorsqu'il reçoit une image en entrée, le réseau neuronal est chargé de recréer l'image en utilisant sa compréhension des données dans leur ensemble.

"Si le réseau neuronal rencontre quelque chose de nouveau ou d'inhabituel, il devient confus et a du mal à reconstruire l'image", a expliqué Tchekanov. "S'il existe une grande différence entre l'image d'entrée et la sortie qu'elle produit, cela nous indique qu'il pourrait y avoir quelque chose d'intéressant à explorer dans cette direction."

À l'aide des ressources informatiques du centre de ressources informatiques du laboratoire d'Argonne, le réseau neuronal a analysé environ 160 millions d'événements dans les données de la deuxième exploitation du LHC collectées de 2015 à 2018.

Bien que le réseau neuronal n’ait trouvé aucun signe flagrant d’une nouvelle physique dans cet ensemble de données, il a repéré une anomalie qui, selon les scientifiques, mérite une étude plus approfondie. La désintégration d'une particule exotique à une énergie d'environ 4,8 téraélectronvolts donne lieu à un muon (un type de particule fondamentale) et à un jet d'autres particules d'une manière qui ne correspond pas à la compréhension du réseau neuronal des interactions du modèle standard.

"Nous devrons mener une enquête plus approfondie", a déclaré Tchekanov. "Il s'agit probablement d'une fluctuation statistique, mais il est possible que cette désintégration indique l'existence d'une particule non découverte."

L'équipe prévoit d'appliquer cette technique aux données collectées au cours de la période d'exploitation 3 du LHC, qui a débuté en 2022. Les scientifiques d'ATLAS continueront d'explorer le potentiel de l'apprentissage automatique et de la détection d'anomalies en tant qu'outils permettant de cartographier les territoires inconnus de la physique des particules.

L'article est publié dans la revue Physical Review Letters. .