快捷搜索:  www.ymwears.cn

学习更多关于粒子碰撞的机器学习

2012年,瑞士日内瓦附近的大型强子对撞机(LHC)因发现希格斯玻色子而闻名于世。这一观察结果标志着对粒子物理学标准模型的重要确认,该模型将亚原子粒子组织成组,类似于化学元素周期表中的元素。

美国能源部阿贡国家实验室在大型强子对撞机的ATLAS实验探测器的建造和运行,以及对探测器记录的信号的分析中做出了许多关键性的贡献,这些信号揭示了粒子碰撞的底层物理。Argonne公司目前正在为计划于2027年开始的行动而对ATLAS探测器进行高亮度升级方面发挥主导作用。为了达到这个目的,一个由Argonne大学的物理学家和计算科学家组成的团队设计了一个基于机器学习的算法,该算法近似于目前的探测器对升级后预计会大量增加的数据的反应。

作为迄今为止建造的最大的物理机器,LHC在17英里的环内向相反方向发射两束质子,直到它们接近光速,将它们撞在一起,并用ATLAS等巨型探测器分析碰撞产生的产物。ATLAS仪器大约有六层楼高,重约7000吨。如今,大型强子对撞机仍在继续研究希格斯玻色子,同时也在解决宇宙中物质是如何以及为什么会这样的基本问题。

“在阿特拉斯,大多数的研究问题都是在大海捞针,而科学家们感兴趣的只是在十亿个事件中找到一个,”阿尔贡高能物理(HEP)部门的助理物理学家沃尔特·霍普金斯说。

作为LHC升级的一部分,目前正在努力提高LHC的亮度——两个质子束每次碰撞的质子与质子之间相互作用的次数——提高到原来的五倍。这将每年产生比目前LHC实验所获得的数据多10倍的数据。检测器对这种不断增加的事件率的反应有多好仍然需要理解。这需要对探测器进行高性能计算机模拟,以准确评估LHC对撞产生的已知过程。这些大规模模拟代价高昂,并且需要在世界上最好、最强大的超级计算机上花费大量的计算时间。

Argonne团队已经创建了一个机器学习算法,在任何全面模拟之前,它将作为一个初步模拟运行。该算法以非常快且成本更低的方式近似地描述了当前的检测器如何响应升级中预期的大量增加的数据。它包括模拟探测器对粒子碰撞实验的响应,以及从物理过程中重建物体。这些重建的物体包括喷射或喷射的粒子,以及像电子和介子这样的单个粒子。

“在大型强子对撞机和其他地方发现新的物理学需要更复杂的大数据分析方法,”HEP的计算科学家Doug Benjamin说。“如今,这通常意味着使用机器学习和其他人工智能技术。”

之前用于初始模拟的分析方法没有使用机器学习算法,而且很耗时,因为它们涉及到在LHC条件变化时手动更新实验参数。有些人可能还会错过实验中给定输入变量集的重要数据相关性。该argonne开发的算法在应用训练程序的同时,通过详细的完整仿真实时学习需要引入的各种特性,从而避免了需要手工制作实验参数。该方法还可以捕获变量之间复杂的相互依赖关系,这在以前是不可能的。

霍普金斯说:“通过我们简化的模拟,你可以用相对较少的计算成本和时间学习基本知识,然后你可以更高效地进行完整的模拟。”他补充说:“我们的机器学习算法还为用户提供了更好的辨别能力,让他们能够在实验中寻找新的或罕见的事件。”

该团队的算法不仅对ATLAS非常有价值,对LHC的多个实验探测器也非常有价值,对世界各地正在进行的其他粒子物理实验也是如此。

这项名为“使用机器学习的自动探测器模拟和重建参数化”的研究发表在《仪器仪表杂志》上。

您可能还会对下面的文章感兴趣: