Computer leert hoe rare deeltjesfysica eruit ziet

Zelflerende computers worden een belangrijk hulpmiddel in de speurtocht naar onbekende deeltjes en deeltjesprocessen, aldus het Nikhef en de Radboud Universiteit.

Trefwoorden: #ATLAS-experiment, #deeltjes, #deeltjesfysica, #gammastraling, #KM3NeT, #kosmische straling, #machine learning, #natuurkunde, #neutrinotelescoop, #Nikhef, #Radboud Universiteit, #zelflerend, #zwaartekrachtsgolven

Lees verder

research

( Foto: evilrogue - 123RF )

ENGINEERINGNET.BE - De onderzoekers bekeken de prestaties van vier verschillende zelflerende systemen in het ontdekken van afwijkingen van het Standaard Model van de deeltjesfysica.

Vooral combinaties van zulke systemen lijken veelbelovend, zegt oud-Nikhefpromovendus Melissa van Beekveld, sinds kort theoreticus in Oxford.

‘Er zijn erg veel modellen en ideeën, en maar beperkte middelen en mensen om ze allemaal na te lopen. Machines kunnen helpen om de interessante ideeën eruit te selecteren en die verder te bekijken.’

De groep rond RU-onderzoeker Sascha Caron, ook Nikhef, werkt al geruime tijd aan toepassingen van kunstmatige intelligentie in de deeltjesnatuurkunde.

Er wordt onder meer gekeken naar bruikbaarheid bij het ATLAS-experiment, de KM3NeT neutrinotelescoop, bij zwaartekrachtsgolven en gammastraling bij kosmische straling.

Inmiddels zijn er honderden zelflerende algoritmes voor dit type onderzoek. Binnenkort verschijnt daarvan voor het eerst een ranking.

Zelflerende systemen speuren naar uitschieters bij deeltjesprocessen die niet meer in het raamwerk van het Standaard Model passen. Daartoe leren ze wat normaal is door de verwachte patronen bij deeltjesbotsingen in zich op te nemen.

In de test van de vier zelflerende technieken is gebruik gemaakt van kunstmatige data, die met zogeheten Monte Carlo-technieken zijn aangemaakt volgens de regels van het Standaard Model.

In de nieuwe studie is vooral gekeken hoe elk systeem na die training reageert op processen die ondenkbaar zijn in het Standaard Model, zogeheten anomalieën. Sommige van de onderzochte technieken blijken zulke onmogelijkheden makkelijker te spotten dan andere, aldus Van Beekveld.

‘Maar de bottom-line is dat machine learning een bruikbaar hulpmiddel is bij het speuren naar nieuwe fysica. Dit is absoluut de weg voorwaarts.’

Machine learning is in de deeltjesfysica dan ook een snelgroeiende interesse. Maar het is, zegt Van Beekveld, niet waarschijnlijk dat één specifieke benadering of techniek de doorbraak zal leveren.

‘Machine learning is een breed begrip, zoiets als wiskunde. Een enorme gereedschapskist waar je uiteindelijk uit neemt wat je nodig hebt. Wat dat betreft staan we echt nog aan het begin.