Mengungkap Fisika Baru Dengan Pelacakan Partikel Bertenaga AI

Read Also

MIT Memperkenalkan Tarian Proton: Memelopori Era Baru Energi

18 Mar 2024

Partikel yang bertabrakan dalam akselerator menghasilkan banyak aliran partikel sekunder. Perangkat elektronik yang memproses sinyal yang masuk dari detektor kemudian memiliki waktu sepersekian detik untuk menilai apakah suatu peristiwa cukup menarik untuk disimpan untuk dianalisis nanti. Dalam waktu dekat, tugas berat ini dapat dilaksanakan dengan menggunakan algoritma berbasis AI.

Elektronika tidak pernah memiliki kehidupan yang mudah dalam fisika nuklir. Ada begitu banyak data yang masuk dari LHC, akselerator paling kuat di dunia, sehingga merekam semuanya bukanlah suatu pilihan. Oleh karena itu, sistem yang memproses gelombang sinyal yang berasal dari detektor berspesialisasi dalam… melupakan – mereka merekonstruksi jejak partikel sekunder dalam sepersekian detik dan menilai apakah tumbukan yang baru saja diamati dapat diabaikan atau apakah layak disimpan untuk analisis lebih lanjut. . Namun, metode rekonstruksi jejak partikel yang ada saat ini tidak lagi memadai.

AI dalam Pelacakan Partikel

Penelitian disajikan dalam jurnal Ilmu Komputer oleh para ilmuwan dari Institut Fisika Nuklir dari Akademi Ilmu Pengetahuan Polandia (IFJ PAN) di Cracow, Polandia, menyarankan bahwa alat yang dibuat menggunakan kecerdasan buatan dapat menjadi alternatif efektif terhadap metode yang ada saat ini untuk rekonstruksi jejak partikel dengan cepat. Debut mereka bisa terjadi dalam dua hingga tiga tahun ke depan, mungkin dalam eksperimen MUonE yang mendukung pencarian fisika baru.

Prinsip merekonstruksi jejak partikel sekunder berdasarkan tumbukan yang terekam di dalam detektor MUonE. Target selanjutnya ditandai dengan emas, dan lapisan detektor silikon ditandai dengan warna biru. Kredit: IFJ PAN

Kompleksitas Deteksi Partikel

Read Also

Militer AS sedang memantau balon ketinggian lainnya

24 Feb 2024

Dalam eksperimen fisika energi tinggi modern, partikel yang menyimpang dari titik tumbukan melewati lapisan detektor yang berurutan, menyimpan sedikit energi di setiap lapisan. Dalam praktiknya, ini berarti bahwa jika detektor terdiri dari sepuluh lapisan dan partikel sekunder melewati semuanya, jalurnya harus direkonstruksi berdasarkan sepuluh titik. Tugasnya tampaknya sederhana saja.

“Biasanya ada medan magnet di dalam detektor. Partikel bermuatan bergerak di dalamnya sepanjang garis lengkung dan dengan cara inilah elemen detektor yang diaktifkan olehnya, yang dalam jargon kami disebut hits, akan ditempatkan relatif satu sama lain,” jelas Prof. Marcin Kucharczyk, (IFJ PAN) dan segera menambahkan: “Pada kenyataannya, apa yang disebut okupansi detektor, yaitu jumlah hit per elemen detektor, mungkin sangat tinggi, sehingga menyebabkan banyak masalah ketika mencoba merekonstruksi jejak partikel dengan benar. Secara khusus, rekonstruksi jalur yang berdekatan merupakan masalah yang cukup besar.”

Eksperimen yang dirancang untuk menemukan fisika baru akan membenturkan partikel pada energi yang lebih tinggi dari sebelumnya, yang berarti bahwa lebih banyak partikel sekunder akan tercipta dalam setiap tumbukan. Luminositas sinar juga harus lebih tinggi, yang pada gilirannya akan meningkatkan jumlah tumbukan per satuan waktu. Dalam kondisi seperti itu, metode klasik dalam merekonstruksi jejak partikel tidak dapat lagi mengatasinya. Kecerdasan buatan, yang unggul dalam hal pola universal tertentu yang perlu dikenali dengan cepat, dapat membantu.

AI sebagai Solusi

“Kecerdasan buatan yang kami rancang adalah jaringan saraf tipe dalam. Ini terdiri dari lapisan masukan yang terdiri dari 20 neuron, empat lapisan tersembunyi yang masing-masing terdiri dari 1.000 neuron dan lapisan keluaran dengan delapan neuron. Semua neuron di setiap lapisan terhubung ke semua neuron di lapisan tetangganya. Secara keseluruhan, jaringan ini memiliki dua juta parameter konfigurasi, yang nilainya ditetapkan selama proses pembelajaran,” jelas Dr. Milosz Zdybal (IFJ PAN).

Jaringan saraf dalam yang disiapkan dilatih menggunakan 40.000 simulasi tumbukan partikel, dilengkapi dengan kebisingan yang dihasilkan secara artifisial. Selama fase pengujian, hanya informasi hit yang dimasukkan ke dalam jaringan. Karena ini berasal dari simulasi komputer, lintasan asli partikel-partikel yang bertanggung jawab diketahui secara pasti dan dapat dibandingkan dengan rekonstruksi yang disediakan oleh kecerdasan buatan. Atas dasar ini, kecerdasan buatan belajar merekonstruksi jalur partikel dengan benar.

“Dalam makalah kami, kami menunjukkan bahwa jaringan saraf dalam yang dilatih pada database yang dipersiapkan dengan baik mampu merekonstruksi jalur partikel sekunder seakurat algoritma klasik. Hal ini merupakan hasil yang sangat penting bagi pengembangan teknik deteksi. Meskipun melatih jaringan saraf dalam adalah proses yang panjang dan menuntut komputasi, jaringan yang terlatih akan bereaksi secara instan. Karena ia melakukan hal ini dengan presisi yang memuaskan, kami dapat berpikir optimis untuk menggunakannya jika terjadi tabrakan nyata,” tegas Prof. Kucharczyk.

Eksperimen MUonE dan Fisika Masa Depan

Eksperimen terdekat yang dapat dibuktikan oleh kecerdasan buatan dari IFJ PAN adalah MUonE (MUon ON Electron elastic scattering). Hal ini mengkaji perbedaan yang menarik antara nilai terukur kuantitas fisik tertentu yang berkaitan dengan muon (partikel yang massanya sekitar 200 kali lebih besar dari elektron) dan prediksi Model Standar (yaitu, model yang digunakan untuk menggambarkan dunia partikel elementer). Pengukuran yang dilakukan di pusat akselerator Amerika Fermilab menunjukkan bahwa apa yang disebut momen magnetik anomali muon berbeda dari prediksi Model Standar dengan kepastian hingga 4,2 standar deviasi (disebut sigma). Sementara itu, dalam fisika diterima bahwa signifikansi di atas 5 sigma, sesuai dengan kepastian 99,99995%, adalah nilai yang dianggap dapat diterima untuk mengumumkan suatu penemuan.

Signifikansi perbedaan yang mengindikasikan fisika baru dapat ditingkatkan secara signifikan jika ketepatan prediksi Model Standar dapat ditingkatkan. Namun, untuk lebih menentukan momen magnetik anomali muon dengan bantuannya, perlu diketahui nilai parameter yang lebih tepat yang dikenal sebagai koreksi hadronik. Sayangnya, perhitungan matematis dari parameter ini tidak mungkin dilakukan. Pada titik ini, peran eksperimen MUonE menjadi jelas. Di dalamnya, para ilmuwan bermaksud mempelajari hamburan muon pada elektron atom dengan nomor atom rendah, seperti karbon atau berilium. Hasilnya akan memungkinkan penentuan parameter fisik tertentu yang lebih tepat yang secara langsung bergantung pada koreksi hadronik. Jika semuanya berjalan sesuai rencana para fisikawan, koreksi hadronik yang ditentukan dengan cara ini akan meningkatkan keyakinan dalam mengukur perbedaan antara nilai teoretis dan terukur dari momen magnet anomali muon hingga 7 sigma – dan keberadaan fisika yang sampai sekarang tidak diketahui. mungkin menjadi kenyataan.

Eksperimen MUonE akan dimulai di Eropa CERN fasilitas nuklir pada awal tahun depan, namun fase target telah direncanakan pada tahun 2027, yang mungkin merupakan saat fisikawan Cracow akan memiliki kesempatan untuk melihat apakah kecerdasan buatan yang mereka ciptakan akan melakukan tugasnya dalam merekonstruksi jejak partikel. Konfirmasi keefektifannya dalam kondisi eksperimen nyata dapat menandai dimulainya era baru dalam teknik pendeteksian partikel.

Referensi: “Rekonstruksi Peristiwa Berbasis Pembelajaran Mesin untuk Eksperimen MUonE” oleh Miłosz Zdybał, Marcin Kucharczyk, dan Marcin Wolter, 10 Maret 2024, Ilmu Komputer.
DOI: 10.7494/csci.2024.25.1.5690

Pekerjaan tim fisikawan dari IFJ PAN didanai oleh hibah dari Pusat Sains Nasional Polandia.