Группа физиков элементарных частиц получила задание изучить обширный и постоянно растущий объем данных о столкновениях, чтобы обнаружить доказательства существования еще неизвестных частиц. Особое внимание уделяется поиску частиц, не входящих в Стандартную модель физики элементарных частиц, которая считается неполной по мнению ученых.
Сотрудничество ATLAS, в котором участвуют физики из Аргоннской национальной лаборатории Министерства энергетики США и их коллеги, применило метод машинного обучения, известный как обнаружение аномалий, для анализа объемных данных ATLAS. Этот подход, впервые примененный в эксперименте на коллайдере, может улучшить эффективность поиска новых частиц. В работе над проектом участвуют ученые из 172 исследовательских организаций.
В процессе исследования команда использовала нейронную сеть, инспирированную структурой мозга, для выявления аномальных особенностей в данных. Этот метод отличается от традиционных подходов к поиску новых явлений в физике, так как не зависит от предварительных гипотез и теоретических моделей.
Ранее ученые ATLAS оперировали теоретическими моделями, проводили эксперименты и анализировали данные, ориентируясь на наиболее перспективные направления для открытий. Теперь они применяют метод машинного обучения, который позволяет нейронной сети обрабатывать данные и выявлять аномалии, не ограничиваясь предварительными гипотезами.
Для анализа данных каждое взаимодействие частиц было представлено в виде изображения, подобного QR-коду, а затем нейронная сеть обучалась распознавать аномальные события. После обучения сети на 1% данных остальные 99% были пропущены через нее для выявления аномалий.
Хотя в данных LHC Run-2, собранных с 2015 по 2018 год, не было обнаружено явных признаков новой физики, нейронная сеть выявила одну аномалию, требующую дальнейшего изучения. Это обнаружение может указывать на возможное существование неизвестной частицы, что подтверждает потенциал метода обнаружения аномалий для исследований в области физики элементарных частиц.
