Zelflerende computers zullen een belangrijk hulpmiddel worden in de speurtocht naar onbekende deeltjes en deeltjesprocessen. Dat concludeert een groep onderzoekers van ondermeer Nikhef en de Radboud Universiteit in een net verschenen artikel op Arxiv over outlier searches: het zoeken naar uitschieters.
De onderzoekers bekeken de prestaties van vier verschillende zelflerende systemen in het ontdekken van afwijkingen van het Standaard Model van de deeltjesfysica. Vooral combinaties van zulke systemen lijken veelbelovend, zegt oud-Nikhefpromovendus in Nijmegen Melissa van Beekveld, sinds kort theoreticus in Oxford. ‘Er zijn heel veel modellen en ideeën en maar beperkte middelen en mensen om ze allemaal na te lopen. Machines kunnen helpen om de interessante ideeën eruit te selecteren en die wel verder te bekijken.’
De groep rond RU-onderzoeker Sascha Caron, ook Nikhef, werkt al geruime tijd aan toepassingen van kunstmatige intelligentie in de deeltjesnatuurkunde. Er wordt ondermeer gekeken naar bruikbaarheid bij het ATLAS-experiment, de KM3NeT neutrinotelescoop, bij zwaartekrachtsgolven en gammastraling bij kosmische straling. Inmiddels zijn er honderden zelflerende algoritmes voor dit type onderzoek. Binnenkort verschijnt daarvan voor het eerst een ranking, gemaakt door ondermeer Carons promovendus Luc Hendriks.
Deeltjesfysica draait om het voorspellen van deeltjespatronen die ontstaan als protonen of andere deeltjes op elkaar botsen, bijvoorbeeld in de LHC-versneller op CERN in Genève. Verreweg de meeste botsingsprocessen worden keurig beschreven door de vergelijkingen van het Standaard Model. Dat model is niet perfect of volledig. In welke richting het moet worden uitgebreid en hoe, is niet duidelijk. Theoretici hebben daarover talloze ideeën.
Nu worden zulke ideeën en modellen door onderzoekers van experimenten als ATLAS getest door naar voorspelde afwijkingen te zoeken. Veel van die tests lopen op niks uit: er worden geen afwijkingen van het Standaard Model gevonden en is de conclusie dat op die plek in elk geval geen nieuwe fysica schuilgaat.
Zulke nulresultaten hebben twee problemen. Ten eerste lijkt voor de buitenwereld de deeltjesfysica daarmee al jaren niets voorbij de bekende deeltjesnatuurkunde te kunnen ontdekken. En afgezien van dat imagoprobleem zijn er eigenlijk te veel ideeën over de wereld voorbij de standaardfysica om die allemaal grondig te testen.
Zelflerende systemen speuren naar uitschieters bij deeltjesprocessen die niet meer in het raamwerk van het Standaard Model passen. Daartoe leren ze wat normaal is door de verwachte patronen bij deeltjesbotsingen in zich op te nemen. In de test van de vier zelflerende technieken is gebruik gemaakt van kunstmatige data, die met zogeheten Monte Carlo-technieken zijn aangemaakt volgens de regels van het Standaard Model.
In de nieuwe studie is vooral gekeken hoe elk systeem na die training reageert op processen die ondenkbaar zijn in het Standaard Model, zogeheten anomalieën. Sommige van de onderzochte technieken blijken zulke onmogelijkheden makkelijker te spotten dan andere, vertelt Van Beekveld. ‘Maar de bottom-line is dat machine learning een bruikbaar hulpmiddel is bij het speuren naar nieuwe fysica. Dit is absoluut de weg voorwaarts, denken we.’
Machine learning is in de deeltjesfysica een snelgroeiende interesse, het aantal papers op dat terrein loopt de laatste jaren steil op. Maar het is, zegt Van Beekveld ook, niet waarschijnlijk dat één specifieke benadering of techniek de doorbraak zal leveren. ‘Machine learning is een breed begrip, zoiets als wiskunde. Een enorme gereedschapskist waar je uiteindelijk uit neemt wat je nodig hebt. Wat dat betreft staan we echt nog aan het begin.
