Одна из главных целей экспериментов на БАК - поиск признаков новых частиц. Достижение этой цели могло бы объяснить многие неразгаданные тайны физики. Часто поиски новой физики направлены на обнаружение одного конкретного типа новых частиц, используя теоретические предсказания в качестве руководства. Но еще более сложной задачей является поиск непредсказанных новых частиц. Просматривать миллиарды столкновений в экспериментах на БАК, не зная, что именно искать, было бы непосильной задачей для физиков. Поэтому вместо того, чтобы отсеивать данные и искать аномалии, коллаборации ATLAS и CMS позволяют искусственному интеллекту (ИИ) проделывать эту работу.

На конференции Rencontres de Moriond 26 марта физики из коллаборации CMS представили последние результаты, полученные с помощью различных методов машинного обучения для поиска "струй". Струи можно представить как пучки частиц, возникающие в результате сильного взаимодействия кварков и глюонов. Струи особенно трудно анализировать, но они могут скрывать новую физику.

Исследователи из ATLAS и CMS используют несколько стратегий для обучения алгоритмов искусственного интеллекта в исследованиях струй. Изучая их сложные энергетические распределения, ученые могут определить, какая частица создала струю. Используя реальные данные о столкновениях, физики обоих экспериментов обучают свой ИИ распознавать характеристики струй, исходящих от известных частиц. Затем ИИ сможет отличать эти струи от нетипичных струй, которые могут указывать на новые взаимодействия. Эти взаимодействия проявляются в виде скопления нетипичных струй в наборе данных.

Другой метод заключается в том, чтобы поручить алгоритму искусственного интеллекта рассмотреть все событие столкновения целиком и найти аномальные особенности в различных обнаруженных частицах. Эти аномальные особенности могут указывать на присутствие новых частиц. Эта методика была продемонстрирована в работе, опубликованной ATLAS в июле 2023 года, в которой впервые было использовано машинное обучение без контроля в результатах БАК. В CMS используется другой подход: физики создают симуляцию потенциальных новых сигналов, а затем поручают искусственному интеллекту выявить в реальных данных столкновения, которые отличаются от обычных струй, но похожи на симуляцию.

Согласно последним результатам, представленным CMS, каждый метод обучения ИИ демонстрировал различную чувствительность к разным типам новых частиц, и ни один алгоритм не оказался лучшим. Команда CMS смогла ограничить скорость рождения нескольких различных типов частиц, которые создают аномальные струи. Ученые также смогли показать, что алгоритмы, управляемые искусственным интеллектом, значительно повысили чувствительность к широкому спектру сигнатур частиц по сравнению с традиционными методами.

Эти результаты показывают, как машинное обучение революционизирует поиск новой физики. "У нас уже есть идеи, как еще больше усовершенствовать алгоритмы и применить их к разным частям данных для поиска нескольких видов частиц", - говорит Оз Амрам из группы анализа CMS.

Более подробно об используемых методах можно узнать по публикациям cms.cern и atlas.cern.