Recherche de nouvelles particules avec des techniques d'apprentissage automatique

Dans la quête pour comprendre les blocs de construction fondamentaux de notre univers, les physiciens cherchent sans cesse de nouvelles particules et phénomènes. Une méthode clé utilisée dans ces recherches est l'analyse des données provenant de collisions de particules à haute énergie, comme celles qui se produisent au Grand collisionneur de hadrons (LHC). Cet article parle d'un effort récent pour trouver de nouvelles particules en examinant des distributions de masse spécifiques d'événements de désintégration à deux corps en utilisant des techniques avancées d'apprentissage automatique.

#Le détecteur ATLAS et la collecte des données

Le détecteur ATLAS est un énorme appareil situé au LHC. Il est conçu pour détecter diverses particules produites lors des collisions. Les données collectées pour cette recherche proviennent d'environ 140 femtobarns de collisions proton-proton se produisant à un niveau d'énergie élevé de plusieurs TeV (tétraélectronvolts). Les événements qui incluent au moins une particule chargée, comme un électron ou un muon, sont sélectionnés pour une analyse plus approfondie à la recherche de signes de nouvelle physique.

#Techniques d'apprentissage automatique non supervisées

Chercher de nouvelles particules peut être compliqué car on ne sait souvent pas à quoi ressembleront les signaux. Pour y faire face, les scientifiques utilisent une approche non supervisée avec l'apprentissage automatique, spécifiquement un type appelé Autoencodeur. Cette technique leur permet d'identifier des motifs inhabituels dans les données sans avoir besoin de savoir d'abord ce que ces motifs représentent.

#Notions de base sur l'autoencodeur

Un autoencodeur est un type de réseau de neurones qui apprend à reconstruire des données d'entrée. Ici, le réseau est principalement formé avec ce que nous appelons des événements "de fond"-ce sont les résultats habituels de la physique du modèle standard qui se produisent lors de collisions à haute énergie. En apprenant de ces événements typiques, l'autoencodeur peut identifier des motifs "anormaux" qui se distinguent de ce fond.

#Focus sur les spectres de masse invariants

Les distributions de masse invariantes concernent la masse de deux particules produites lors d'une collision. Dans cette étude, les chercheurs se sont concentrés sur neuf types différents de distributions de masse invariantes. Ces distributions examinent la masse combinée de paires constituées de diverses particules telles que des jets légers, des jets tau et des leptons (électrons ou muons).

#Détection d'Anomalies et hypothèses de fond

Après l'entraînement de l'autoencodeur, les chercheurs ont cherché des zones dans les spectres de masse où la perte de reconstruction était exceptionnellement élevée. Cela indique des événements anormaux qui diffèrent des motifs normaux. En comparant ces anomalies avec des modèles de fond, l'équipe espérait identifier des signes potentiels de nouvelles particules ou interactions.

#Pas de déviations significatives trouvées

Malgré les efforts, l'analyse n'a pas révélé de déviations significatives par rapport aux processus de fond attendus. Cependant, le travail était toujours précieux car il a fourni des limites sur les contributions de particules nouvelles hypothétiques ressemblant à des signaux gaussiens à travers différentes largeurs de masse.

#Repères pour la nouvelle physique

Une partie de cette analyse impliquait de regarder des modèles théoriques spécifiques de nouvelle physique qui pourraient produire des signaux observables dans les données. Ceux-ci incluaient :

1. Production de bosons de Higgs chargés liés à un quark top.
2. Bosons de Kaluza-Klein interagissant avec des particules du modèle standard.
3. D'autres modèles prédisant des leptons composites ou des candidats à la matière noire.

#Importance des recherches indépendantes des modèles

L'avantage principal de cette méthode est qu'elle ne repose pas sur des prédictions spécifiques de ce à quoi devrait ressembler la nouvelle physique. Au lieu de cela, elle tend un large filet pour capturer tous les signaux inattendus, élargissant ainsi les horizons de recherche.

#Sélection et calibration des données

Pour cette étude, les chercheurs ont pris diverses mesures pour garantir que les données soient de haute qualité. Ils ont appliqué des systèmes de déclenchement pour capturer des événements avec des leptons isolés, minimisant le bruit de fond provenant de processus non liés. Après avoir collecté les données, ils ont reconstruit toutes les particules détectées, ce qui leur a permis de se concentrer uniquement sur les événements pertinents.

#Pré-sélection des événements

Chaque événement doit contenir au moins un lepton et au moins un jet. Cela aide à garantir que les chercheurs se penchent sur des événements plus susceptibles de mener à des signaux observables. L'analyse a appliqué plusieurs critères pour affiner davantage l'ensemble de données, permettant une recherche plus efficace d'anomalies.

#Formulation matricielle pour la détection d'anomalies

Pour améliorer le processus de détection d'anomalies, les chercheurs ont structuré les caractéristiques des événements dans une matrice appelée matrice rapidité-masse (RMM). Cette matrice capture des informations cinématiques essentielles sur l'événement de manière plus organisée, rendant cela plus efficace pour les applications d'apprentissage automatique. Chaque entrée de la matrice correspond à différentes propriétés des particules impliquées dans la collision.

#Entraînement de l'autoencodeur

L'autoencodeur a été entraîné en utilisant un sous-ensemble des événements pré-sélectionnés. L'entraînement visait à minimiser la perte de reconstruction tout en s'assurant qu'il pouvait bien se généraliser à des données invisibles. Cette étape était cruciale, car elle influence directement la capacité du modèle à distinguer les événements de fond du modèle standard et les signaux potentiels de nouvelle physique.

#Évaluation du Score d'anomalie

La perte de reconstruction de l'autoencodeur est transformée en ce qu'on appelle un "score d'anomalie" pour chaque événement. Des scores plus élevés indiquent des événements plus susceptibles d'être anormaux.

#Distribution des données et comparaison avec des modèles théoriques

La distribution des scores d'anomalie pour les données de collision réelles a été évaluée. En comparaison avec plusieurs modèles de référence de nouvelle physique, il a été constaté que la plupart des événements de collision montraient des scores plus faibles que ceux prédits pour des signaux potentiels. Cette comparaison est essentielle pour déterminer si des anomalies observées sont vraiment indicatives de nouvelle physique.

#Régions d'anomalies et analyse statistique

Avec les scores d'anomalie calculés, les chercheurs ont défini des régions d'intérêt spécifiques, appelées régions d'anomalies (AR). Ces régions ont été soigneusement choisies pour maximiser la sensibilité aux signaux potentiels tout en minimisant le bruit de fond.

#Algorithme BumpHunter

L'algorithme BumpHunter a ensuite été utilisé pour rechercher des excès localisés dans les distributions de masse invariantes. Cette technique est sensible à tout coup ou pic dans les données qui pourrait indiquer la présence d'une particule inconnue.

#Résultats et conclusions

En examinant les neuf distributions de masse invariantes à travers les régions d'anomalies définies, l'analyse n'a pas indiqué d'excès significatifs. L'excès le plus important détecté était autour d'une masse de 4,8 TeV, ce qui a suscité de l'intérêt mais n'a pas confirmé l'existence de nouvelles particules.

#Limites supérieures sur les contributions des signaux

Malgré l'absence de preuves pour de nouveaux phénomènes, des limites supérieures ont été établies pour les contributions de signaux hypothétiques, fournissant aux chercheurs un cadre pour les études futures. Ces limites sont cruciales car elles aident à établir des attentes sur les types de signaux qui pourraient encore se cacher dans les données.

#Conclusion et directions futures

Cette analyse démontre le potentiel des techniques d'apprentissage automatique non supervisées pour rechercher de nouvelles physiques dans les données de collision à haute énergie. Bien qu'aucun excès significatif n'ait été trouvé cette fois-ci, les méthodes développées peuvent être appliquées à de futurs ensembles de données, améliorant la recherche de nouvelles particules et interactions.

Le travail prépare le terrain pour des recherches continues et de futures analyses utilisant des techniques d'apprentissage automatique affinées et des processus de collecte de données améliorés. Alors que les scientifiques continuent de repousser les limites de notre connaissance de la physique des particules, ces techniques joueront un rôle de plus en plus crucial pour révéler les secrets de l'univers.