- Brookhaven National Laboratoryは、粒子ジェットを精密に識別できる機械学習モデルを開発した。
- このモデルはラベルを必要とせず、シミュレーションデータから直接学習し、測定精度を向上させる。
- ジェット信号は背景粒子に覆われ、測定の正確性に影響を与える。
- チームはこのモデルを実データに適用し、他の実験にも拡張する計画を立てている。
Brookhaven National Laboratoryの物理学者は、重イオン衝突から大量の背景ノイズの中で粒子ジェットを自動的に識別できる機械学習モデルを開発した。この進展は、ビッグバン後のわずか1マイクロ秒間に存在した物質であるクォーク-グルーオンプラズマの測定精度を向上させるのに役立つ。Brookhavenのチームは、Columbia UniversityおよびUniversity of Colorado Boulderの研究者と協力し、この方法を『Scientific Reports』に記述した。実験室は、これはこの任務において初めて「ペアなし、無監督」の生成モデルを使用したものであると述べている。
このモデルは、科学者が提供するラベルに依存せず、シミュレーション衝突データから直接学習する。
ラベル不要の革新
ジェットが観察しにくい理由は、相対論的重イオン衝突機(RHIC)において、重イオンが光速に近い速度で衝突し、自由なクォークとグルーオンの「スープ」を短時間再現するからである。ジェットは高エネルギー粒子の集中した噴出であり、このプラズマを探測するための最良の手段の一つである。ジェットはプラズマを通過する際にエネルギーを失い、構造が変化する。しかし、ジェットの信号は大量の他の粒子による背景に覆われており、この問題は長年にわたりジェット測定の正確性を制限してきた。Brookhavenの物理学者であり、Stony Brook Universityの助教授である高妍珠は、「背景の除去を改善することで、極端な条件下でのクォークとグルーオン間の相互作用の測定がより正確になる」と述べている。
」
通常、アルゴリズムを教えるには、数千の例にラベルを付ける必要がある。例えば、画像を猫や犬としてラベル付けする。しかし、Brookhavenの計算機科学者であるDmitry Torbunovは、実際の実験データは答えの鍵を提供しないため、この方法は適用できないと指摘している。この新しいモデルはラベルを省略している。プラズマの純粋な背景と理想的なシミュレーションジェットを示し、ジェット信号を抽出する方法を自ら導き出し、背景を除去する。高妍珠は、これを混雑した画像をジェットとその他すべての部分に分けることに例えている。
チームは、RHICの最後の3回の運転中に稼働したsPHENIXのシミュレーションデータでこれをテストした。これらのテストでは、モデルは従来の背景除去方法よりも正確にジェットの位置、エネルギー、および内部構造を再構築し、特に背景の変動が最も強い大きなジェットに対してその精度が高かった。現在の結果はシミュレーションデータに基づいている。
今後の応用展望
次のステップは、これを実データに適用することである。sPHENIXは運転中に約300PBのデータを収集しており、これは数十億枚のスマートフォン写真に相当する。高妍珠は、これは核物理学および粒子物理学の分野で初めてこのようなモデルを使用することになると述べている。チームは、これが計画中の電子-イオン衝突機やヨーロッパの大型ハドロン衝突機のエネルギー測定にも適用できると予測している。このモデルは類似の画像の検出器データ上で機能するため、研究者は他の重複信号を分離する必要がある実験にも役立つ可能性があると述べている。
このプロジェクトは、エネルギー省の創世任務第一段階の賞に関連しており、Baruch Collegeが主導し、Brookhaven、Stony Brook University、Columbia University、University of Colorado Boulderが共同で参加している。Brookhavenの実験室指向研究と開発資金、ならびにエネルギー省科学局がこの作業を支援した。高妍珠は、Brookhavenの計算機科学者との緊密な協力を称賛し、これは一回限りのプロジェクトではなく、科学における機械学習の新しい機会に興奮していると述べている。
粒子物理学における機械学習の可能性
Brookhaven National Laboratoryのこの進展は、粒子物理学研究における機械学習の可能性を示しており、特に複雑なデータを処理する際にその効果が期待される。従来の方法は大量のラベル付きデータに依存することが多いが、新しいモデルの無監督学習方式はこの制約を効果的に克服し、粒子ジェットの精密測定に新たな可能性を提供する。モデルのさらなる応用が進むにつれ、将来的には核物理学および粒子物理学の研究に深遠な影響を与え、関連分野の技術進歩を促進する可能性がある。

