Kunstmatige intelligentie die onderzoekers snel attendeert op afwijkend gedrag in de deeltjeswereld heeft volgens Nikhef-fysicus Sacha Caron van de Radboud Universiteit in Nijmegen de toekomst. Samen met andere ATLAS-onderzoekers binnen CERN demonstreert hij in een paper in The European Physical Journal C een nieuwe aanpak waarbij eerst snel naar heel veel ruwe data wordt gekeken en dan ingezoomd op mogelijk interessante verschijnselen.
Sinds de ontdekking van het Higgsboson in 2012 zijn de verwachtingen voor nieuwe natuurkundige doorbraken afkomstig van CERN’s deeltjesversneller Large Hadron Collider (LHC) hooggespannen. ‘Dat er helaas sindsdien weinig doorbraken van dezelfde grootte zijn geweest, komt misschien wel doordat we niet op genoeg plekken zoeken’, aldus Sascha Caron, natuurkundige aan de Radboud Universiteit en Nikhef, en drijvende kracht achter de nieuwe methode, samen met collega’s Sara Alderweireldt en Jeroen Schouwenberg.
Met de LHC produceren wetenschappers enorme hoeveelheden data om het standaardmodel van de deeltjesfysica te onderzoeken, waarin krachten en deeltjes die alle materie vormen worden beschreven. Caron: ‘In de zoektocht naar het Higgsdeeltje wist men precies waarnaar men opzoek was, het enige wat we er nog niet van wisten was zijn massa. Omdat we op dit moment eigenlijk niet precies weten waar we naar op zoek zijn om het standaardmodel verder uit te kunnen breiden, duurt het een stuk langer om tot een nieuwe ontdekking te komen. Je kunt het vergelijken met de zoektocht naar een nieuw verstopt stuk speelgoed in een kamer vol met speelgoed, alleen dat je deze keer niet weet hoe het er uitziet.’
Om vaart achter het zoekproces te zetten, stelt Caron samen met een aantal collega’s een nieuwe aanpak voor waarmee op een systematische manier aanwijzingen gevonden kunnen worden voor nieuwe deeltjes. Op dit moment kijken de onderzoekers bij CERN daarvoor heel specifiek naar één bepaald model, of één bepaalde eigenschap. Volgens Caron kan dit ook anders: ‘Door gebruik te maken van algoritmes willen wij juist op een geautomatiseerde manier heel snel alle data tegelijk doorlopen op zoek naar afwijkingen van het standaardmodel.’
‘Het nadeel van deze aanpak is dat we minder precies kunnen kijken naar de data dan anderen’, vertelt Caron. Om dit probleem op te lossen, bedachten de onderzoekers een tweetrapsraket-methode: toets eerst heel snel alle data aan het standaardmodel, en zoom vervolgens extra goed in op de gevonden afwijkingen in de data.
Brede zoekmethodes met algoritmes worden al gebruikt in andere vakgebieden, zoals de genetica. ‘Het is nu de eerste keer dat we deze brede zoekmethode hebben toegepast op data van de LHC. Dat komt door de soms complexe data in de deeltjesfysica in vergelijking met andere vakgebieden. Als je zelf niet kunt aangeven wat voor data je precies zoekt, is het lastig om een algoritme dit aan te leren.’
Sinds begin september afgelopen jaar voert Caron samen met collega’s Alderweireldt en Schouwenberg een tweede ‘run’ uit op meetgegevens uit ATLAS. Hij wil de methode verder verfijnen. ‘Mijn doel is om nieuwe waarnemingen in de deeltjesfysica te zoeken door middel van artificial intelligence (AI) en machine learning. Naast dat een computer objectief is, is automatisering een goedkopere en snellere weg naar wetenschappelijke vooruitgang dan die nu wordt bewandeld – niet alleen in de deeltjesfysica maar in de gehele wetenschap.’
Radboud AI is een platform van Radboud-onderzoekers met verschillende wetenschappelijke achtergronden, van linguïsten tot datadeskundigen, die samen werken aan het ontwikkelen van ‘reponsible AI’, de volgende generatie kunstmatige intelligentie. Hierbij kiest Radboud AI de menselijke maat als rode draad.
(Dit nieuwsbericht is gebaseerd op een persbericht van de Radboud Universiteit)
