• Home
  • Chimie
  • Astronomie
  • Énergie
  • La nature
  • Biologie
  • Physique
  • Électronique
  •  Science >> Science >  >> Physique
    Une équipe propose d'utiliser l'IA pour reconstruire les chemins des particules menant à une nouvelle physique
    Le principe de reconstruction des traces de particules secondaires à partir des impacts enregistrés lors des collisions à l'intérieur du détecteur MUonE. Les cibles suivantes sont marquées en or et les couches de détecteurs de silicium sont marquées en bleu. Crédit :FIJ PAN

    Les particules entrant en collision dans les accélérateurs produisent de nombreuses cascades de particules secondaires. L’électronique qui traite les signaux provenant des détecteurs dispose alors d’une fraction de seconde pour évaluer si un événement présente un intérêt suffisant pour le sauvegarder pour une analyse ultérieure. Dans un avenir proche, cette tâche exigeante pourrait être réalisée à l'aide d'algorithmes basés sur l'IA, dont le développement implique des scientifiques de l'Institut de physique nucléaire du PAS.



    L’électronique n’a jamais eu une vie facile en physique nucléaire. Il y a tellement de données provenant du Grand collisionneur de hadrons, l’accélérateur le plus puissant au monde, que tout enregistrer n’a jamais été une option. Les systèmes qui traitent l’onde de signaux provenant des détecteurs sont donc spécialisés dans l’oubli :ils reconstruisent les traces des particules secondaires en une fraction de seconde et évaluent si la collision qui vient d’être observée peut être ignorée ou si elle mérite d’être conservée pour une analyse plus approfondie. Cependant, les méthodes actuelles de reconstruction des traces de particules ne suffiront bientôt plus.

    Recherche présentée dans Computer Science , par des scientifiques de l'Institut de physique nucléaire de l'Académie polonaise des sciences (IFJ PAN) à Cracovie, en Pologne, suggère que les outils construits à l'aide de l'intelligence artificielle pourraient constituer une alternative efficace aux méthodes actuelles de reconstruction rapide des traces de particules. Leurs débuts pourraient avoir lieu dans les deux à trois prochaines années, probablement dans le cadre de l'expérience MUonE qui soutient la recherche d'une nouvelle physique.

    Dans les expériences modernes de physique des hautes énergies, les particules s'écartant du point de collision traversent les couches successives du détecteur, déposant un peu d'énergie dans chacune d'elles. En pratique, cela signifie que si le détecteur est constitué de dix couches et que la particule secondaire les traverse toutes, son trajet doit être reconstruit sur la base de dix points. La tâche n'est qu'en apparence simple.

    "Il y a généralement un champ magnétique à l'intérieur des détecteurs. Les particules chargées s'y déplacent le long de lignes courbes et c'est également ainsi que les éléments détecteurs activés par elles, que nous appelons dans notre jargon hits, seront localisés les uns par rapport aux autres", explique Prof. Marcin Kucharczyk, (FIJ PAN).

    "En réalité, ce que l'on appelle l'occupation du détecteur, c'est-à-dire le nombre de coups par élément du détecteur, peut être très élevé, ce qui pose de nombreux problèmes lorsqu'on essaie de reconstruire correctement les traces de particules. En particulier, la reconstruction des traces qui sont proches les uns des autres est tout un problème."

    Les expériences conçues pour découvrir une nouvelle physique feront entrer en collision des particules à des énergies plus élevées qu'auparavant, ce qui signifie que davantage de particules secondaires seront créées à chaque collision. La luminosité des faisceaux devra également être plus élevée, ce qui augmentera le nombre de collisions par unité de temps. Dans de telles conditions, les méthodes classiques de reconstruction des traces de particules ne suffisent plus. L'intelligence artificielle, qui excelle là où certains modèles universels doivent être reconnus rapidement, peut venir à la rescousse.

    " L'intelligence artificielle que nous avons conçue est un réseau neuronal de type profond. Il est constitué d'une couche d'entrée composée de 20 neurones, de quatre couches cachées de 1 000 neurones chacune et d'une couche de sortie de huit neurones. Tous les neurones de chaque couche sont connectés. à tous les neurones de la couche voisine, le réseau dispose au total de deux millions de paramètres de configuration, dont les valeurs sont définies lors du processus d'apprentissage", explique le Dr Milosz Zdybal (IFJ PAN).

    Le réseau neuronal profond ainsi préparé a été entraîné à l’aide de 40 000 collisions de particules simulées, complétées par du bruit généré artificiellement. Pendant la phase de test, seules les informations sur les hits ont été introduites dans le réseau. Comme celles-ci étaient dérivées de simulations informatiques, les trajectoires originales des particules responsables étaient connues avec précision et pouvaient être comparées aux reconstructions fournies par l’intelligence artificielle. Sur cette base, l'intelligence artificielle a appris à reconstruire correctement les traces des particules.

    "Dans notre article, nous montrons que le réseau neuronal profond formé sur une base de données correctement préparée est capable de reconstruire les traces de particules secondaires avec autant de précision que les algorithmes classiques. C'est un résultat d'une grande importance pour le développement de techniques de détection. Tout en formant un réseau neuronal profond "Le réseau est un processus long et exigeant en termes de calcul, un réseau entraîné réagit instantanément, puisqu'il le fait également avec une précision satisfaisante, nous pouvons envisager avec optimisme de l'utiliser dans le cas de collisions réelles", souligne le professeur Kucharczyk.

    L’expérience la plus proche dans laquelle l’intelligence artificielle de l’IFJ PAN aurait une chance de faire ses preuves est MUonE (MUon ON Electron elastic scattering). Cet article examine un écart intéressant entre les valeurs mesurées d'une certaine quantité physique liée aux muons (particules qui sont environ 200 fois plus massives que l'électron) et les prédictions du modèle standard (c'est-à-dire le modèle utilisé pour décrire le monde de particules élémentaires).

    Les mesures effectuées au centre américain des accélérateurs Fermilab montrent que le moment magnétique dit anormal des muons diffère des prédictions du modèle standard avec une certitude allant jusqu'à 4,2 écarts types (appelé sigma). Parallèlement, il est admis en physique qu'une signification supérieure à 5 sigma, correspondant à une certitude de 99,99995%, est une valeur jugée acceptable pour annoncer une découverte.

    L'importance de l'écart indiquant une nouvelle physique pourrait être considérablement accrue si la précision des prédictions du modèle standard pouvait être améliorée. Cependant, afin de mieux déterminer le moment magnétique anormal du muon avec son aide, il serait nécessaire de connaître une valeur plus précise du paramètre appelé correction hadronique. Malheureusement, un calcul mathématique de ce paramètre n'est pas possible.

    À ce stade, le rôle de l’expérience MUonE devient clair. Dans ce document, les scientifiques entendent étudier la diffusion des muons sur les électrons des atomes de faible numéro atomique, comme le carbone ou le béryllium. Les résultats permettront une détermination plus précise de certains paramètres physiques qui dépendent directement de la correction hadronique.

    Si tout se passe selon les plans des physiciens, la correction hadronique ainsi déterminée augmentera la confiance dans la mesure de l'écart entre la valeur théorique et mesurée du moment magnétique anormal du muon jusqu'à 7 sigma – et l'existence d'une physique jusqu'ici inconnue. peut devenir une réalité.

    L'expérience MUonE devrait démarrer dès l'année prochaine dans l'installation nucléaire européenne du CERN, mais la phase cible est prévue pour 2027, date à laquelle les physiciens de Cracovie auront probablement l'occasion de voir si l'intelligence artificielle qu'ils ont créée fera son effet. travail dans la reconstruction des traces de particules. La confirmation de son efficacité dans les conditions d'une expérience réelle pourrait marquer le début d'une nouvelle ère dans les techniques de détection de particules.

    Plus d'informations : Miłosz Zdybał et al, Reconstruction basée sur l'apprentissage automatique pour l'expérience MUonE, Informatique (2024). DOI :10.7494/csci.2024.25.1.5690

    Fourni par l'Académie polonaise des sciences




    © Science https://fr.scienceaq.com