Os cientistas do Laboratório Nacional de Argonne usaram a detecção de anomalias na colaboração ATLAS para procurar novas partículas, identificando uma anomalia promissora que poderia indicar uma nova física além do Modelo Padrão.
Os cientistas usaram uma rede neural, um tipo de rede inspirada no cérebro aprendizado de máquina algoritmo, para examinar grandes volumes de dados de colisão de partículas em um estudo que marca o primeiro uso de uma rede neural para analisar dados de um experimento de colisor.
Os físicos de partículas têm a tarefa de explorar esse enorme e crescente estoque de dados de colisão em busca de evidências de partículas não descobertas. Em particular, eles estão à procura de partículas não incluídas no Modelo Padrão da física de partículas, a nossa compreensão atual da composição do universo que os cientistas suspeitam ser incompleta.
Utilizando aprendizado de máquina na colaboração ATLAS
Como parte da colaboração ATLAS, cientistas do Laboratório Nacional Argonne do Departamento de Energia dos EUA (DOE) e seus colegas usaram recentemente uma abordagem de aprendizado de máquina chamada detecção de anomalias para analisar grandes volumes de dados ATLAS. O método nunca foi aplicado a dados de um experimento de colisor. Tem o potencial de melhorar a eficiência da busca da colaboração por algo novo. A colaboração envolve cientistas de 172 organizações de pesquisa.
A equipe aproveitou um tipo de algoritmo de aprendizado de máquina inspirado no cérebro, chamado rede neural, para pesquisar os dados em busca de recursos anormais ou anomalias. A técnica rompe com métodos mais tradicionais de busca por nova física. É independente – e portanto não limitado por – dos preconceitos dos cientistas.
“Em vez de procurar desvios muito específicos, o objetivo é encontrar assinaturas incomuns nos dados que são completamente inexploradas e que podem parecer diferentes do que as nossas teorias prevêem.”
– Físico Sergei Chekanov
Tradicionalmente, os cientistas do ATLAS têm confiado em modelos teóricos para ajudar a orientar as suas experiências e análises nas direções mais promissoras para a descoberta. Isso geralmente envolve a realização de simulações computacionais complexas para determinar como seriam certos aspectos dos dados de colisão de acordo com o Modelo Padrão. Os cientistas comparam essas previsões do Modelo Padrão com dados reais do ATLAS. Eles também os comparam com previsões feitas por novos modelos físicos, como aqueles que tentam explicar a matéria escura e outros fenómenos não explicados pelo Modelo Padrão.
Mas até agora, não foram observados desvios do Modelo Padrão nos milhares de milhões de milhares de milhões de colisões registadas no ATLAS. E desde a descoberta do bóson de Higgs em 2012, a experiência ATLAS ainda não encontrou quaisquer novas partículas.
Técnicas e objetivos inovadores
“A detecção de anomalias é uma forma muito diferente de abordar esta pesquisa”, disse Sergei Chekanov, físico da divisão de Física de Altas Energias de Argonne e principal autor do estudo. “Em vez de procurar desvios muito específicos, o objetivo é encontrar assinaturas incomuns nos dados que são completamente inexploradas e que podem parecer diferentes do que nossas teorias prevêem.”
Para realizar esse tipo de análise, os cientistas representaram cada interação de partícula nos dados como uma imagem que lembra um código QR. Em seguida, a equipe treinou sua rede neural expondo-a a 1% das imagens.
A rede consiste em cerca de 2 milhões de nós interconectados, que são análogos aos neurônios do cérebro. Sem orientação ou intervenção humana, identificou e lembrou correlações entre pixels nas imagens que caracterizam as interações do Modelo Padrão. Em outras palavras, aprendeu a reconhecer eventos típicos que se enquadram nas previsões do Modelo Padrão.
Após o treinamento, os cientistas alimentaram os outros 99% das imagens através da rede neural para detectar quaisquer anomalias. Ao receber uma imagem como entrada, a rede neural tem a tarefa de recriar a imagem usando sua compreensão dos dados como um todo.
“Se a rede neural encontra algo novo ou incomum, ela fica confusa e tem dificuldade em reconstruir a imagem”, disse Chekanov. “Se houver uma grande diferença entre a imagem de entrada e a saída que ela produz, isso nos permite saber que pode haver algo interessante para explorar nessa direção.”
Usando recursos computacionais do Centro de Recursos de Computação Laboratorial de Argonne, a rede neural analisou cerca de 160 milhões de eventos nos dados do LHC Run-2 coletados de 2015 a 2018.
Descobertas e pesquisas futuras
Embora a rede neural não tenha encontrado nenhum sinal evidente de nova física neste conjunto de dados, ela detectou uma anomalia que os cientistas acham que vale a pena estudar mais. O decaimento de uma partícula exótica com uma energia de cerca de 4,8 teraelétron-volts resulta em um múon (um tipo de partícula fundamental) e um jato de outras partículas de uma forma que não se enquadra na compreensão da rede neural das interações do Modelo Padrão.
“Teremos que fazer mais investigações”, disse Chekanov. “É provavelmente uma flutuação estatística, mas há uma chance de que esse decaimento possa indicar a existência de uma partícula não descoberta.”
A equipe planeja aplicar esta técnica aos dados coletados durante o período LHC Run-3, que começou em 2022. Os cientistas do ATLAS continuarão a explorar o potencial do aprendizado de máquina e da detecção de anomalias como ferramentas para mapear territórios desconhecidos na física de partículas.
Os resultados do estudo foram publicados em Cartas de revisão física.
Referência: “Pesquisa de novos fenômenos em distribuições de massa invariantes de dois corpos usando aprendizado de máquina não supervisionado para detecção de anomalias em √s = 13 TeV com o detector ATLAS” por G. Aad et al. (Colaboração ATLAS)m 20 de fevereiro de 2024, Cartas de revisão física.
DOI: 10.1103/PhysRevLett.132.081801
Este trabalho foi financiado em parte pelo Escritório de Física de Altas Energias do DOE Office of Science e pela National Science Foundation.