บาคาร่าเว็บตรง การชนกันของโปรตอนกับโปรตอนบน LHC การรับน้ำหนักเกิน: การจำลองการชนกันของโปรตอนกับโปรตอนที่ Large Hadron Colliderการเรียนรู้เชิงลึกอาจเป็นกุญแจสำคัญในการทำความเข้าใจการชนกันของโปรตอนที่เกิดขึ้นในตัวเร่งอนุภาคชั้นนำของโลก นั่นคือข้อความจากนักฟิสิกส์ในยุโรปและสหรัฐอเมริกาที่ได้แสดงให้เห็นว่าอัลกอริธึมที่พัฒนาขึ้นสำหรับการแปลภาษาสามารถ
กรองสัญญาณรบกวนจากข้อมูลที่ตรวจจับ
โดยเครื่องตรวจจับที่ Large Hadron Collider ของ CERN ได้อย่างไร อัลกอริธึมสามารถให้โอกาสนักฟิสิกส์ในการค้นพบอนุภาคใหม่ที่แปลกใหม่เมื่อ LHC ได้รับการอัพเกรดแล้ว LHC กระแทกโปรตอนเข้าด้วยกันด้วยพลังงานที่สูงอย่างไม่น่าเชื่อ เพื่อสร้างอนุภาคขนาดใหญ่จำนวนมาก ซึ่งอาจรวมถึงอนุภาคสมมุติฐานที่ไม่ได้อธิบายไว้ในแบบจำลองมาตรฐานของฟิสิกส์อนุภาค ซึ่งการค้นพบนี้เป็นเป้าหมายหลักของเครื่องชนกัน
LHC ชนกลุ่มโปรตอนที่มีโปรตอนหลายพันล้านตัวเพื่อให้แน่ใจว่ามีโอกาสที่เหมาะสมที่โปรตอนอย่างน้อยหนึ่งตัวจากกลุ่มหนึ่งจะโต้ตอบกับโปรตอนในอีกกลุ่มหนึ่ง ความท้าทายหลักประการหนึ่งในการตีความข้อมูลเครื่องชนคือการแยกความแตกต่างของอนุภาคที่เกิดจากการชนกัน (ตามหลัง) ออกจากอนุภาคที่เกิดจากการเหลือบมอง หลังนี้เรียกว่าการกองซ้อน ส่วนใหญ่ประกอบด้วย pion ที่สิ้นสุดรอบเครื่องตรวจจับและทำให้ยากต่อการมีอยู่ของอนุภาคใหม่
การสะสมกองจะกลายเป็นปัญหาเฉพาะในอีกไม่กี่ปีข้างหน้า เนื่องจากอัตราการชนของ LHC จะเพิ่มขึ้น ตั้งแต่ปี 2027 LHC ความสว่างสูงตั้งค่าให้สร้างเหตุการณ์การทับถมกันประมาณ 200 เหตุการณ์ต่อการชนกันเป็นกลุ่ม ประมาณลำดับความสำคัญมากกว่าเมื่อห้าปีก่อน
การติดตามย้อนกลับ
นักฟิสิกส์ได้คิดค้นวิธีการต่างๆ เพื่อเน้นไปที่การชนกันที่น่าสนใจ วิธีง่ายๆ วิธีหนึ่งคือการพิจารณารอยทางที่อนุภาคประจุทิ้งไว้ขณะที่เคลื่อนที่ผ่านเครื่องตรวจจับ และเก็บเฉพาะเหตุการณ์ที่มีแทร็กที่ย้อนรอยกลับไปสู่การชนกันโดยตรง ซึ่งมีต้นกำเนิดจากจุดที่เรียกว่าจุดยอดปฐมภูมิ
ทางเลือกที่ซับซ้อนมากขึ้นที่เรียกว่า PUPPI ทำได้เช่นเดียวกับการกรองผ่านอนุภาคที่เป็นกลางที่ผลิตในเครื่องชนกัน โดยสร้างที่มาของอนุภาคที่มีประจุรอบๆ อนุภาคที่เป็นกลาง จากนั้นคำนวณความน่าจะเป็นที่อนุภาคหลังเกิดที่จุดยอดหลักตามความสัมพันธ์กับอดีต
ในผลงานล่าสุด Benedikt Maier จาก CERN, Siddharth Narayanan จาก Flagship Pioneering และเพื่อนร่วมงานได้ตั้งเป้าหมายที่จะบรรลุจุดจบเดียวกันโดยใช้การเรียนรู้ของเครื่อง ในขณะที่ PUPPI อาศัยการคำนวณแบบทีละขั้นตอนเพื่อสร้างโดยตรงว่าอนุภาคบางตัวมีต้นกำเนิดมาจากจุดยอดหลักหรือไม่ อัลกอริทึมในกรณีนี้ ซึ่งเป็นโครงข่ายประสาทเทียมขั้นสูงที่นักวิจัยขนานนามว่า PUMA เรียนรู้ความสัมพันธ์ระหว่างคุณสมบัติของอนุภาคกับแหล่งกำเนิดการชนกันหลังจากนั้น ได้รับการฝึกฝนด้วยชุดข้อมูลที่ประกอบด้วยคู่อินพุต-เอาท์พุตหลายคู่
นี่ไม่ใช่โครงข่ายประสาทเทียมแห่งแรกที่คิดค้นขึ้นเพื่อพยายามจัดการกับปัญหาการทับถมที่ LHC ตัวอย่างเช่น ในปี 2560 Matthew Schwartzจากมหาวิทยาลัยฮาร์วาร์ดในสหรัฐอเมริกาและเพื่อนร่วมงานรายงานว่าได้ออกแบบโครงข่ายประสาทเทียมที่เรียกว่า Convolutional Neural Network เพื่อล้างเอาต์พุตจากเครื่องตรวจจับ ATLAS และ CMS ที่แสดงในรูปของภาพ – ความเข้มของแต่ละพิกเซล แสดงถึงการกระจายพลังงานของอนุภาค โดยการสอนเครือข่ายให้เชื่อมโยงภาพของอนุภาคที่เป็นกลางทั้งหมดกับอนุภาคที่เกี่ยวข้องซึ่งแสดงเพียงอนุภาคที่เป็นกลางจากจุดสุดยอดหลัก พวกเขาพบว่าอัลกอริทึมสามารถสร้างภาพที่ทำความสะอาดได้เมื่อป้อนข้อมูลที่มีสัญญาณรบกวนที่อินพุต
อัลกอริธึมหม้อแปลง
อย่างไรก็ตาม จากข้อมูลของ Maier วิธีการนี้และวิธีการอื่นๆ ที่อิงกับแมชชีนเลิร์นนิงอาศัยผลลัพธ์จาก PUPPI ซึ่งเป็นส่วนหนึ่งของข้อมูลที่ป้อน ในทางตรงกันข้าม PUMA จะขจัดกองขยะโดยอาศัยข้อมูลเครื่องตรวจจับดิบ โดยใช้อัลกอริธึมที่เรียกว่า Transformer ซึ่งออกแบบมาเพื่อแปลงวลีในภาษาหนึ่งเป็นวลีที่เทียบเท่าในภาษาอื่น วัตถุประสงค์ใหม่สำหรับฟิสิกส์ของอนุภาค แทนที่จะแปลงข้อมูลที่แสดงถึงชุดของอนุภาคจากเหตุการณ์การชนกันเป็นลำดับของตัวเลขระหว่าง 0 ถึง 1 – ความน่าจะเป็นที่แต่ละอนุภาคนั้นมาจากจุดสุดยอดหลัก
ในขณะที่นักแปลเครื่องอื่น ๆ มักจะเน้นเฉพาะเพื่อนบ้านที่ใกล้ที่สุดของคำเมื่อค้นหาความหมายของสตริงของคำ หม้อแปลงยังบัญชีสำหรับการเชื่อมโยงระหว่างคำที่เว้นระยะห่างกันมากขึ้น พวกเขาทำได้โดยการวิเคราะห์กระบวนการที่เรียกว่าความสนใจ ซึ่งเกี่ยวข้องกับการแสดงคำเป็นเวกเตอร์ของจุดสนใจ คูณเวกเตอร์นั้นด้วยเมทริกซ์บางตัว แล้วรวมผลลัพธ์ของการคำนวณเหล่านั้นกับค่าที่เท่ากันจากอนุภาคอื่นผ่านฟังก์ชัน dot-product
PUMA ซึ่งย่อมาจาก Pile-Up Mitigation โดยใช้ Attention ทำเช่นเดียวกันโดยการเข้ารหัสแต่ละอนุภาคเป็นเวกเตอร์ที่ประกอบด้วยพารามิเตอร์ต่างๆ เช่น ประเภทอนุภาค พลังงาน และมุม จากนั้นใช้กระบวนการความสนใจเพื่อสร้างเวกเตอร์ชุดใหม่ที่สะท้อนถึงความสัมพันธ์ของอนุภาคแต่ละตัวกับอนุภาคอื่นๆ และป้อนเวกเตอร์เหล่านี้ลงในโครงข่ายประสาทเทียมอย่างง่ายที่กลั่นข้อมูลให้เป็นค่าตัวเลขหนึ่งค่าต่ออนุภาค – ความน่าจะเป็นที่มา โดยการฝึกอบรมเครือข่ายโดยใช้เวกเตอร์อินพุตที่เชื่อมโยงกับความน่าจะเป็นไบนารีที่รู้จัก ความแตกต่างระหว่างผลลัพธ์ที่คำนวณและผลลัพธ์ที่คาดหวังสามารถนำไปใช้เพื่อปรับแต่งเมทริกซ์ความสนใจซ้ำๆ เพื่อให้อัลกอริทึมสามารถรับรู้ได้ว่าข้อมูลดิบใหม่นั้นสอดคล้องกับอนุภาคจากหลักหลักหรือไม่ จุดยอดหรือจากกอง
สแนปชอตของเครื่องตรวจจับ
นักวิจัยได้ฝึกอบรมเครือข่ายของตนด้วย “สแน็ปช็อตเครื่องตรวจจับ” จำนวน 200,000 ภาพ ซึ่งพวกเขาสร้างขึ้นโดยใช้การจำลอง CMS ที่ผลิตโดยโปรแกรมคอมพิวเตอร์ DELPHES สแนปชอตแต่ละอันประกอบด้วยเศษของการชนกันของโปรตอนหลักหนึ่งตัวและการพุ่งกระฉับกระเฉงประมาณ 140 ครั้ง จำนวนนี้มีจำนวนประมาณ 5,000 อนุภาคต่อสแน็ปช็อตและเวกเตอร์อินพุตหนึ่งพันล้านรายการและความน่าจะเป็นที่เกี่ยวข้องโดยรวม จากนั้นจึงใช้ข้อมูลการจำลองเพิ่มเติมเพื่อเปรียบเทียบประสิทธิภาพของ PUMA กับอัลกอริธึมแบบคลาสสิก เช่น PUPPI โดยเฉพาะอย่างยิ่ง พวกเขามุ่งเน้นไปที่โมเมนตัมตามขวาง ซึ่งเป็นศูนย์เมื่อโปรตอนที่ชนกันบินเข้าหากันและควรยังคงอยู่หลังจากการชนกันเมื่ออนุภาคภายนอกทั้งหมดถูกลบออกจากข้อมูล บาคาร่าเว็บตรง