in

Percée de l'intelligence artificielle dans la détection de nouvelles particules au Grand collisionneur de hadrons

AI Detected Highly Anomalous CMS Event Display

Les collaborations ATLAS et CMS utilisent des techniques d'apprentissage automatique de pointe pour rechercher des collisions d'apparence exotique qui pourraient indiquer une nouvelle physique. Crédit : S Sioni/CMS-PHO-EVENTS-2021-004-2/M Rayner

L’intelligence artificielle révolutionne la manière dont les nouvelles particules sont détectées dans les expériences du LHC.

En entraînant l’IA à reconnaître et à différencier les jets typiques et atypiques, les chercheurs peuvent identifier de nouvelles possibilités physiques cachées dans les collisions de particules. Les avancées récentes ont été mises en avant lors d’une conférence de physique, montrant les progrès et le potentiel de ces applications de l’IA.

L’un des principaux objectifs des expériences du Grand collisionneur de hadrons (LHC) est de rechercher des signes de nouvelles particules, qui pourraient expliquer de nombreux mystères non résolus de la physique. Souvent, les recherches de nouvelles particules sont conçues pour rechercher un type spécifique de nouvelle particule à la fois, en utilisant des prédictions théoriques comme guide. Mais qu’en est-il de la recherche de nouvelles particules imprévues – et inattendues ?

Passer au crible les milliards de collisions qui se produisent dans les expériences du LHC sans savoir exactement quoi chercher serait une tâche titanesque pour les physiciens. Ainsi, au lieu de passer au peigne fin les données et de rechercher des anomalies, les collaborations ATLAS et CMS laissent intelligence artificielle (IA) rationalise le processus.

Progrès de l'IA dans la détection des particules

Au Rencontres de Moriond Lors de la conférence du 26 mars, les physiciens de la collaboration CMS ont présenté les derniers résultats obtenus en utilisant diverses apprentissage automatique Des techniques de recherche de paires de « jets » ont été mises au point. Ces jets sont des gerbes collimatées de particules issues de quarks et de gluons en forte interaction. Ils sont particulièrement difficiles à analyser, mais pourraient cacher une nouvelle physique.

L'IA a détecté un affichage d'événement CMS hautement anormal

Affichage d'un des événements CMS déterminés par l'algorithme d'IA comme étant hautement anormaux et donc potentiellement issus d'une nouvelle particule. Crédit : collaboration CMS

Techniques de formation à l'IA pour la physique

Les chercheurs d’ATLAS et de CMS utilisent plusieurs stratégies pour entraîner les algorithmes d’IA à rechercher des jets. En étudiant la forme de leurs signatures énergétiques complexes, les scientifiques peuvent déterminer quelle particule a créé le jet. En utilisant des données de collision réelles, les physiciens des deux expériences entraînent leur IA à reconnaître les caractéristiques des jets provenant de particules connues. L’IA est alors capable de faire la différence entre ces jets et les signatures de jets atypiques, qui indiquent potentiellement de nouvelles interactions. Celles-ci se manifesteraient par une accumulation de jets atypiques dans l’ensemble de données.

Une autre méthode consiste à demander à l’algorithme d’IA de prendre en compte l’ensemble de l’événement de collision et de rechercher des caractéristiques anormales dans les différentes particules détectées. Ces caractéristiques anormales peuvent indiquer la présence de nouvelles particules. Cette technique a été démontrée dans un article publié par ATLAS en juillet 2023, qui présentait l’une des premières utilisations de l’apprentissage automatique non supervisé dans un résultat du LHC. Au CMS, une approche différente consiste à créer des exemples simulés de nouveaux signaux potentiels, puis à charger l’IA d’identifier les collisions dans les données réelles qui sont différentes des jets ordinaires mais ressemblent à la simulation.

L'impact de l'apprentissage automatique sur la physique des particules

Dans les derniers résultats présentés par le CMS, chaque méthode d’entraînement de l’IA a montré des sensibilités différentes à différents types de nouvelles particules, et aucun algorithme ne s’est avéré le meilleur. L’équipe du CMS a pu limiter le taux de production de plusieurs types différents de particules qui produisent des jets anormaux. Ils ont également pu montrer que les algorithmes basés sur l’IA ont considérablement amélioré la sensibilité à une large gamme de signatures de particules par rapport aux techniques traditionnelles.

Ces résultats montrent comment l’apprentissage automatique révolutionne la recherche d’une nouvelle physique. « Nous avons déjà des idées sur la manière d’améliorer encore les algorithmes et de les appliquer à différentes parties des données pour rechercher plusieurs types de particules », explique Oz Amram, de l’équipe d’analyse du CMS.

SciTechDaily

Attention : une nouvelle étude révèle que les aliments riches en graisses pourraient alimenter votre anxiété

SciTechDaily

Des mastodontes de plusieurs milliards de masses : des trous noirs étonnamment massifs dans l'Univers primitif remettent en question les théories cosmiques