Hoe los je een probleem als een proton op? Smash het en bouw het vervolgens weer op met machine learning

Hoe los je een probleem als een proton op?  Je slaat het aan gruzelementen en bouwt het vervolgens weer samen met machine learning

In de HERA-tunnel kijken: Berkeley Lab-wetenschappers hebben nieuwe algoritmen voor machinaal leren ontwikkeld om de analyse te versnellen van gegevens die decennia geleden zijn verzameld door HERA, ’s werelds krachtigste elektron-protonversneller die van 1992 tot 2007 in het nationale onderzoekscentrum DESY in Duitsland draaide. Krediet: DESY

Protonen zijn klein, maar ze dragen veel gewicht. Ze bewonen het centrum van elk atoom in het universum en spelen een cruciale rol in een van de sterkste krachten in de natuur.

En toch hebben protonen ook een nuchtere kant.

Zoals de meeste deeltjes hebben protonen spin die als kleine magneten werken. Het omdraaien van de spin of polariteit van een proton klinkt misschien als sciencefiction, maar het is de basis van technologische doorbraken die essentieel zijn geworden voor ons dagelijks leven, zoals magnetische resonantie beeldvorming (MRI), het onschatbare hulpmiddel voor medische diagnostiek.

Ondanks dergelijke vorderingen blijft de innerlijke werking van het proton een mysterie.

„In principe bestaat alles om je heen vanwege protonen – en toch begrijpen we nog steeds niet alles over hen. Een enorme puzzel die natuurkundigen willen oplossen, is de spin van het proton“, zegt Ben Nachman, een natuurkundige die de Machine Learning Group leidt in de Afdeling Natuurkunde van het Lawrence Berkeley National Laboratory van het Department of Energy (Berkeley Lab).

Begrijpen hoe en waarom protonen draaien, zou kunnen leiden tot technologische vooruitgang die we ons vandaag de dag niet eens kunnen voorstellen, en ons helpen de sterke kracht te begrijpen, een fundamentele eigenschap die alle protonen en dus atomen massa geeft.

Maar het is niet zo’n eenvoudig probleem om op te lossen. Ten eerste kun je een proton niet precies oppakken en in een petrischaal plaatsen: protonen zijn onpeilbaar klein – hun straal is een haar verlegen van een quadriljoenste meter, en zichtbaar licht gaat er dwars doorheen. Bovendien kun je hun binnenkant niet eens observeren met ’s werelds krachtigste elektronenmicroscopen.

Recent werk van Nachman en zijn team zou ons dichter bij het oplossen van deze verbijsterende protonenpuzzel kunnen brengen.

Als lid van de H1-samenwerking – een internationale groep die nu 150 wetenschappers van 50 instituten en 15 landen omvat en is gevestigd in het nationale onderzoekscentrum DESY in Duitsland – heeft Nachman nieuwe algoritmen voor machine learning ontwikkeld om de analyse van verzamelde gegevens te versnellen decennia geleden door HERA, ’s werelds krachtigste elektron-proton-botser die van 1992 tot 2007 op DESY liep.

HERA – een ring met een omtrek van 4 mijl – werkte als een gigantische microscoop die zowel elektronen als protonen versnelde tot bijna de lichtsnelheid. De deeltjes botsten frontaal op elkaar, waardoor een proton in zijn samenstellende delen kon worden verspreid: quarks en gluonen.

Wetenschappers van HERA hebben metingen gedaan van het deeltjesafval dat uit deze elektron-protonbotsingen valt, wat natuurkundigen ‚diepe inelastische verstrooiing‘ noemen, door middel van geavanceerde camera’s die deeltjesdetectoren worden genoemd, waaronder de H1-detector.

Geheimen van de sterke kracht ontvouwen

De H1 stopte met het verzamelen van gegevens in 2007, het jaar waarin HERA werd ontmanteld. Vandaag analyseert de H1-samenwerking nog steeds de gegevens en publiceert de resultaten in wetenschappelijke tijdschriften.

Hoe los je een probleem als een proton op?  Smash het en bouw het vervolgens weer op met machine learning

De HERA elektron-protonversneller versnelde zowel elektronen als protonen tot bijna de lichtsnelheid. De deeltjes botsten frontaal op elkaar, waardoor een proton in zijn samenstellende delen kon worden verspreid: quarks (getoond als groene en paarse ballen in de bovenstaande afbeelding) en gluonen (geïllustreerd als zwarte spoelen). Krediet: DESY

Het kan een jaar of langer duren wanneer conventionele rekentechnieken worden gebruikt om hoeveelheden te meten die verband houden met de protonstructuur en de sterke kracht, zoals hoeveel deeltjes worden geproduceerd wanneer een proton in botsing komt met een elektron.

En als een onderzoeker een andere hoeveelheid wil onderzoeken, zoals hoe snel deeltjes vliegen in het kielzog van een quark-gluon-straalstroom, zouden ze het lange rekenproces helemaal opnieuw moeten beginnen en nog een jaar moeten wachten.

Een nieuwe machine learning-tool genaamd OmniFold, die Nachman mede heeft ontwikkeld, kan tegelijkertijd veel hoeveelheden tegelijk meten, waardoor de hoeveelheid tijd die nodig is om een ​​analyse uit te voeren, wordt teruggebracht van jaren tot minuten.

OmniFold doet dit door neurale netwerken in één keer te gebruiken om computersimulaties te combineren met gegevens. (Een neuraal netwerk is een machine learning-tool die complexe gegevens verwerkt die wetenschappers onmogelijk handmatig kunnen doen.)

Nachman en zijn team pasten OmniFold voor het eerst toe op H1-experimentele gegevens in een juni-editie van het tijdschrift Fysieke beoordelingsbrieven en meer recentelijk op de 2022 Deep Inelastic Scattering (DIS) Conference.

Om OmniFold te ontwikkelen en de robuustheid ervan tegen H1-gegevens te testen, hebben Nachman en Vinicius Mikuni, een postdoctoraal onderzoeker in de groep Data and Analytics Services (DAS) van Berkeley Lab’s National Energy Research Scientific Computing Center (NERSC) en een NERSC Exascale Science Applications Program for Learning kerel, had een supercomputer nodig met veel krachtige GPU’s (grafische verwerkingseenheden), zei Nachman.

Toevallig was Perlmutter, een nieuwe supercomputer die is ontworpen om simulatie, data-analyse en kunstmatige-intelligentie-experimenten te ondersteunen waarvoor meerdere GPU’s tegelijk nodig zijn, net in de zomer van 2021 geopend voor een „vroege wetenschappelijke fase“, waardoor wetenschappers het systeem konden testen op echte gegevens. (De Perlmutter-supercomputer is genoemd naar de Berkeley Lab-kosmoloog en Nobelprijswinnaar Saul Perlmutter.)

„Omdat we met de Perlmutter-supercomputer 128 GPU’s tegelijk konden gebruiken, waren we in staat om alle stappen van de analyse, van gegevensverwerking tot het afleiden van de resultaten, in minder dan een week in plaats van maanden uit te voeren. Deze verbetering stelt ons in staat om snel optimaliseren van de neurale netwerken die we hebben getraind en om een ​​nauwkeuriger resultaat te bereiken voor de waarneembaarheden die we hebben gemeten“, zegt Mikuni, die ook lid is van de H1 Collaboration.

Een centrale taak bij deze metingen is het rekening houden met detectorvervormingen. De H1-detector houdt, als een waakzame bewaker bij de ingang van een uitverkochte concertarena, deeltjes in de gaten terwijl ze er doorheen vliegen. Een bron van meetfouten is bijvoorbeeld wanneer deeltjes rond de detector vliegen in plaats van erdoorheen, zoals een concertganger zonder kaartjes die over een ongecontroleerd hek springt in plaats van door de beveiligde poort te gaan.

Het was niet mogelijk om voor alle vervormingen tegelijk te corrigeren vanwege de beperkte rekenmethoden die destijds beschikbaar waren. „Ons begrip van subatomaire fysica en data-analysetechnieken is aanzienlijk verbeterd sinds 2007, en dus kunnen wetenschappers vandaag nieuwe inzichten gebruiken om de H1-gegevens te analyseren,“ zei Nachman.

Wetenschappers hebben tegenwoordig een hernieuwde interesse in HERA’s deeltjesexperimenten, omdat ze hopen de gegevens – en nauwkeurigere computersimulaties op basis van tools zoals OmniFold – te gebruiken om te helpen bij de analyse van resultaten van toekomstige elektron-protonexperimenten, zoals bij het Department of Energy’s volgende generatie Electron-Ion Collider (EIC).

De EIC, die zal worden gebouwd in Brookhaven National Laboratory in samenwerking met de Thomas Jefferson National Accelerator Facility, zal een krachtige en veelzijdige nieuwe machine zijn die in staat is om hoogenergetische bundels van gepolariseerde elektronen te laten botsen met een breed scala aan ionen (of geladen atomen) over veel energieën, waaronder gepolariseerde protonen en sommige gepolariseerde ionen.

„Het is opwindend om te denken dat onze methode op een dag wetenschappers zou kunnen helpen bij het beantwoorden van vragen die nog steeds bestaan ​​over de sterke kracht,“ zei Nachman.

„Hoewel dit werk op korte termijn misschien niet tot praktische toepassingen leidt, is het begrijpen van de bouwstenen van de natuur de reden waarom we hier zijn – om de ultieme waarheid te zoeken. Dit zijn stappen om op het meest basale niveau te begrijpen waar alles van is gemaakt Dat is wat mij drijft. Als we het onderzoek nu niet doen, zullen we nooit weten welke opwindende nieuwe technologische ontwikkelingen we zullen krijgen voor toekomstige samenlevingen.“


Tekenen van verzadiging komen voort uit deeltjesbotsingen bij RHIC


Meer informatie:
V. Andreev et al, Meting van Lepton-Jet-correlatie in diep-inelastische verstrooiing met de H1-detector met behulp van machine learning voor ontvouwen, Fysieke beoordelingsbrieven (2022). DOI: 10.1103/PhysRevLett.128.132002

OmniFold: arxiv.org/abs/1911.09107

Presentatie conferentie: www-h1.desy.de/psfiles/confpap … /H1prelim-22-034.pdf

Geleverd door Lawrence Berkeley National Laboratory

Citaat: Hoe los je een probleem als een proton op? Smash het en bouw het vervolgens weer op met machine learning (2022, 25 oktober) opgehaald op 25 oktober 2022 van https://phys.org/news/2022-10-problem-proton-machine.html

Op dit document rust copyright. Afgezien van een eerlijke handel ten behoeve van eigen studie of onderzoek, mag niets worden gereproduceerd zonder schriftelijke toestemming. De inhoud wordt uitsluitend ter informatie verstrekt.

Kommentar verfassen

Deine E-Mail-Adresse wird nicht veröffentlicht. Erforderliche Felder sind mit * markiert