将来の衝突型加速器実験に向けてゲームのルールを変えるため、中国科学院と北京大学がAIを活用した噴射源識別技術を開発

円形電子陽電子衝突型加速器 (CEPC) でシミュレートされた二重注入イベントの概略図。 (出典: 中国科学院高エネルギー物理研究所)

編集者|Ziluo

クォークとグルーオンは、素粒子物理学の標準模型における素粒子であり、電子や光子とは異なり、空間内を自由に移動することができません。陽子や中性子などの複合粒子に結合できるのは時間だけです。

衝突型加速器実験で生成された高エネルギーのクォークまたはグルーオンは、複雑な相互作用を通じて多数の最終粒子に変換され、元のクォークまたはグルーオンの運動方向に沿ってより小さな角度で放出されます。この現象をインジェクションといいます。

最近、中国科学院高エネルギー物理学研究所のRuan Manqi氏のチーム、北京大学のZhou Chen氏のチーム、CERNの研究者Qu Huilin氏がジェット源識別技術を提案した。この技術は、高エネルギー衝突型加速器実験の科学的発見能力を大幅に向上させることができます。

独自の高性能粒子流再構成アルゴリズム Arbor と高度な人工知能技術 ParticleNet を組み合わせて、研究チームは効率的な噴射源識別技術を開発しました。この技術は、異なる種類のジェット間のわずかな違いを捉えることにより、5 種類のクォーク (アップ、ダウン、ストレンジ、チャーム、ボトム)、5 種類の反クォーク、およびグルーオンによって生成される 11 種類の異なるジェットを同時に効率的に識別することができます。

この技術は、科学者がさまざまな粒子、クォーク、グルーオン間の相互作用を正確に測定し、非常に弱いヒッグス粒子の崩壊信号を捕捉するのに役立ちます。この技術により、将来の衝突型加速器における重要な物理測定の精度が一桁向上し、大型科学装置の科学的発見能力が大幅に拡張されます。

審査員は、「世界最高の識別性能」、「ゲームのルールを変えた」、「将来の衝突型加速器実験における正確な測定のための新たなビジョンを生み出した」と評価しました。

この研究は「電子陽電子ヒッグス工場におけるジェット起源の同定とその応用」と題され、2024年5月31日に「Physical Review Letters」に掲載されました。

論文リンク: https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.221802

高エネルギー衝突実験では、噴射の起源を正確に特定できます。どのようなクォークやグルーオンが噴射されるかは、衝突型加速器の背後にある物理法則を発見し理解する上で非常に重要です。しかし、異なるクォークやグルーオンから生成されるジェットは構成が非常に似ているため、ジェットの起源を正確に特定することは非常に困難です。

図: CEPC ベースライン検出器を使用してシミュレートおよび再構築された ?+⁢?−→?⁢￣?⁢?→?⁢￣?⁢?⁢? (√?=240 GeV) イベントのイベント表示。 (出典:論文)

ジェットの起源の特定

背景

高エネルギー衝突型加速器実験の科学的発見能力を強化するために、研究者たちはジェットの起源の特定という概念を提案し、ジェットを次のように分割しました。種類:

• クォークの5種類: a、b、s、u、d
• 反クォークの5種類: a￣、b￣、s￣、u￣、d￣
• グルーオン

重要

ジェット源の特定を成功させることは、量子色力学 (QCD) プロセスにおける大きなバックグラウンドを効果的に低減できるため、大型ハドロン衝突型加速器などのエネルギーフロンティアにおける素粒子物理学の実験にとって非常に重要です。

方法

研究者らは、GEANT4 ベースのシミュレーション (フル シミュレーションと呼ばれる) を使用して、将来の衝突型加速器プロジェクトの最優先事項である電子陽電子ヒッグス工場の物理現象における噴射源識別の概念を実装しました。研究者は、粒子流イベントの再構築や噴射源の特定のための Arbor や ParticleNet などのソフトウェア ツールを開発しました。

パフォーマンス

この研究では、11 次元混同行列 (M11) を使用してジェットの起源の識別パフォーマンスを実証し、ジェットの「フレーバー」マーカーとジェットの電荷測定のパフォーマンスを実証します。

図: 11 次元混同行列 M11 を使用した全体的な噴射源識別パフォーマンス。 （出典：論文） 研究者らは、ジェット源の同定を、CEPC 名目ヒッグス運用シナリオの下での稀でエキゾチックなヒッグス粒子崩壊の測定に適用した。このシーンは

に登場する予定ですGeV에서 20 ab^-1의 통합 광도를 사용하면 4 × 10^6 힉스 보존이 축적될 수 있습니다. 드문 부패 H → ss̅, uu̅ 및 dd́ 및 풍미 변화 중성 흐름(FCNC) 부패 H → sb, ds, db 및 uc가 분석됩니다(여기서 sb는 sb̅ 또는 śb, ds, db를 의미함). uc)도 마찬가지입니다.

10^−3에서 10^−4 범위의 이 7개 프로세스에 대한 상한을 도출합니다. 표준 모델에서 H → ss̅ 과정에 대한 예측 분기 비율은 2.3 × 10^−4이고, 도출된 상한은 표준 모델 예측의 3배에 해당합니다. H → uu̅ 및 dd̅의 분기 비율은 10^-6 미만일 것으로 예상되는 반면, 위 FCNC 프로세스의 분기 비율은 루프 기여도를 기준으로 10^-7 미만일 것으로 예상됩니다.

그림: 주입 향료 라벨링 효율성 및 전하 전환율. (출처: Paper)

이 기술은 과학자들에게 미래 충돌체의 과학적 탐구를 위한 강력하고 새로운 도구를 제공하며, 주입 생성 과정에 포함된 복잡한 정보가 고급 인공 지능 알고리즘을 사용하여 이해되고 처리될 수 있음을 증명합니다.

앞으로 과학 연구팀은 인공지능 기술을 보다 광범위하고 심층적인 과학 문제에 적용하는 연구를 더 진행할 계획입니다.

논문 링크: https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.221802

참고 내용:

https://phys.org/news/2024-06-ai-powered-jet -identification-technology.html

https://www.ccnta.cn/article/17151.html

以上が将来の衝突型加速器実験に向けてゲームのルールを変えるため、中国科学院と北京大学がAIを活用した噴射源識別技術を開発の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。