Исследователи ATLAS изучают новые явления с помощью обнаружения аномалий с использованием без учителя машинного обучения

Researchers at ATLAS study new phenomena using unsupervised machine learning for anomaly detection.

С момента своего создания в 2009 году Большой адронный коллайдер (БАК) был передовым инструментом для научного исследования, стремясь раскрыть частицы и явления, выходящие за рамки Стандартной модели. Однако традиционные методы поиска новой физики включают сложные компьютерные симуляции для сопоставления наблюдаемых данных о столкновениях с предсказаниями Стандартной модели и другими теоретическими моделями. Эти методы ограничены тем, что они полагаются на предопределенные модели и симуляции, что может привести к упущению неожиданных явлений, не соответствующих этим моделям. Для преодоления этого ограничения исследователи обратились к безнадзорному машинному обучению для обнаружения аномалий в данных о столкновениях, которые могут указывать на новые явления в физике.

В настоящее время поиск новой физики включает симуляции, которые эмулируют поведение известных частиц в соответствии с установленными моделями. Сравнение точных данных о столкновениях с этими симуляциями помогает выявить отклонения, которые могут намекать на новые явления. Другой подход ищет незначительные отклонения от фоновой Стандартной модели, указывающие на новые процессы. Однако эти методы ограничены предположениями, присущими тестируемым моделям.

Новое исследование от ATLAS предлагает новую методику анализа данных о столкновениях на БАК. Эта методика использует безнадзорные методы машинного обучения, в частности сложную нейронную сеть, известную как автокодировщик. В отличие от существующих методов, этот подход не зависит от модели и не имеет предвзятых ожиданий.

Введенная методика включает обучение сложной нейронной сети на реальных данных о столкновениях на БАК. Эта сеть, состоящая из множества взаимосвязанных “нейронов”, известна как автокодировщик. Процесс обучения включает сжатие входных данных и последующее их декомпрессирование с сравнением исходных данных с выходными. Путем такого сравнения автокодировщик может идентифицировать “типичные” столкновения и отфильтровать их, оставляя события, отклоняющиеся от нормы – называемые “аномалиями”. Аномалии указывают на случаи, когда нейронная сеть имеет трудности с идентификацией закономерностей, что указывает на возможность новых физических явлений. Для оценки этих аномалий исследователи анализируют неизменные массы частиц в столкновениях и оценивают, могут ли они быть приписаны процессам Стандартной модели.

Успех данного подхода может быть измерен по обнаружению и характеризации аномальных событий. Аномалии, обнаруженные автокодировщиком, изучаются на предмет их потенциальной связи с новыми физическими явлениями. Чем больше разница между восстановленными входными и выходными данными, тем больше вероятность того, что событие связано с новой физикой вне Стандартной модели.

В заключение, традиционные методы поиска новой физики на БАК, хотя и эффективны, ограничены зависимостью от предопределенных моделей и симуляций. Новый подход, который предлагают исследователи, вводит безнадзорное машинное обучение с использованием автокодировщиков, позволяющее анализировать данные о столкновениях без учета модели. Эта методика имеет потенциал раскрыть неожиданные явления, которые ускользают от традиционных методов. Фокусируясь на аномалиях, обнаруженных автокодировщиком, ученые могут разгадать тайны частиц и взаимодействий, выходящие за рамки нашего текущего понимания Вселенной.