Hvordan løser du et problem som et proton? Knus den, og bygg den deretter opp igjen med maskinlæring

Protoner er små, men de bærer mye tyngde. De bor i sentrum av hvert atom i universet og spiller en kritisk rolle i en av de sterkeste kreftene i naturen.

Og fortsatt, protoner har en jordnær side også.

Som de fleste partikler har protoner spinn som fungerer som små magneter. Å snu et protons spinn eller polaritet kan høres ut som science fictionmen det er grunnlaget for teknologiske gjennombrudd som har blitt avgjørende for våre daglige liv, for eksempel magnetisk resonansavbildning (MRI), det uvurderlige medisinske diagnostikkverktøyet.

Til tross for slike fremskritt forblir protonets indre virkemåte et mysterium.

“I utgangspunktet eksisterer alt rundt deg på grunn av protoner – og likevel forstår vi fortsatt ikke alt om dem. Et stort puslespill som fysikere ønsker å løse er protonets spinn,” sa Ben Nachman, en fysiker som leder Machine Learning Group i Fysikkavdelingen ved Department of Energy’s Lawrence Berkeley National Laboratory (Berkeley Lab).

Å forstå hvordan og hvorfor protoner spinner kan føre til teknologiske fremskritt vi ikke engang kan forestille oss i dag, og hjelpe oss å forstå den sterke kraften, en grunnleggende egenskap som gir alle protoner og derfor atomer masse.

Men det er ikke så lett problem å løse. For det første kan du ikke akkurat plukke opp et proton og plassere det i en petriskål: Protoner er ufattelig små – radiusen deres er en hårsky på en kvadrilliondel av en meter, og synlig lys passerer rett gjennom dem. Dessuten kan du ikke engang observere innsiden deres med verdens kraftigste elektronmikroskop.

Nylig arbeid av Nachman og teamet hans kan bringe oss nærmere løsningen av dette forvirrende protonpuslespillet.

Som medlem av H1 Collaboration – en internasjonal gruppe som nå inkluderer 150 forskere fra 50 institutter og 15 land, og som er basert på DESY nasjonale forskningssenter i Tyskland – har Nachman utviklet nye maskinlæringsalgoritmer for å akselerere analysen av data som samles inn flere tiår siden av HERA, verdens kraftigste elektron-protonkolliderer som kjørte ved DESY fra 1992 til 2007.

HERA – en ring på 4 miles i omkrets – fungerte som et gigantisk mikroskop som akselererte både elektroner og protoner til nesten lysets hastighet. Partiklene ble frontkollidert, noe som kunne spre et proton inn i dets bestanddeler: kvarker og gluoner.

Forskere ved HERA tok målinger av partikkelavfall som fosset inn fra disse elektron-proton-kollisjonene, det fysikere kaller “dyp uelastisk spredning,” gjennom sofistikerte kameraer kalt partikkeldetektorerhvorav den ene var H1-detektoren.

Å utfolde hemmeligheter til den sterke kraften

H1 sluttet å samle inn data i 2007, året HERA ble tatt ut av drift. I dag analyserer H1-samarbeidet fortsatt dataene og publiserer resultatene i vitenskapelige tidsskrifter.

Det kan ta et år eller mer når man bruker konvensjonelle beregningsteknikker for å måle mengder relatert til protonstruktur og den sterke kraften, for eksempel hvor mange partikler som produseres når et proton kolliderer med et elektron.

Og hvis en forsker ønsker å undersøke en annen mengde, for eksempel hvor raskt partikler flyr i kjølvannet av en kvark-gluon jetstrøm, må de starte den lange beregningsprosessen på nytt og vente enda et år.

Et nytt maskinlæringsverktøy kalt OmniFold – som Nachman var med på å utvikle – kan samtidig måle mange mengder på en gang, og dermed redusere tiden det tar å kjøre en analyse fra år til minutter.

OmniFold gjør dette ved å bruke nevrale nettverk samtidig for å kombinere datasimuleringer med data. (EN nevrale nettverket er et maskinlæringsverktøy som behandler komplekse data som er umulig for forskere å gjøre manuelt.)

Nachman og teamet hans brukte OmniFold på H1-eksperimentelle data for første gang i en juniutgave av tidsskriftet Fysiske gjennomgangsbrev og mer nylig på 2022 Deep Inelastic Scattering (DIS) Conference.

For å utvikle OmniFold og teste dens robusthet mot H1-data, Nachman og Vinicius Mikuni, en postdoktor i Data and Analytics Services (DAS)-gruppen ved Berkeley Labs National Energy Research Scientific Computing Center (NERSC) og et NERSC Exascale Science Applications Program for Learning fyr, trengte en superdatamaskin med mange kraftige GPUer (grafikkbehandlingsenheter), sa Nachman.

Tilfeldigvis hadde Perlmutter, en ny superdatamaskin designet for å støtte simulering, dataanalyse og kunstig intelligens-eksperimenter som krever flere GPU-er om gangen, nettopp åpnet sommeren 2021 for en “tidlig vitenskapsfase”, slik at forskere kan teste systemet på ekte data. (Perlmutter-superdatamaskinen er oppkalt etter Berkeley Lab-kosmologen og nobelprisvinneren Saul Perlmutter.)

“Fordi Perlmutter-superdatamaskinen tillot oss å bruke 128 GPUer samtidig, var vi i stand til å kjøre alle trinnene i analysen, fra databehandling til utledning av resultatene, på mindre enn en uke i stedet for måneder. Denne forbedringen lar oss raskt optimalisere de nevrale nettverkene vi trente og for å oppnå et mer presist resultat for de observerbare vi målte,” sa Mikuni, som også er medlem av H1 Collaboration.

En sentral oppgave i disse målingene er å gjøre rede for detektorforvrengninger. H1-detektoren, som en våken vakt som står vakt ved inngangen til en utsolgt konsertarena, overvåker partikler mens de flyr gjennom den. En kilde til målefeil oppstår når partikler flyr rundt detektoren i stedet for gjennom den, for eksempel – på en måte som en billettløs konsertgjenger som hopper over et uovervåket gjerde i stedet for å gå inn gjennom den billettbelagte sikkerhetsporten.

Korrigering for alle forvrengninger samtidig hadde ikke vært mulig på grunn av begrensede beregningsmetoder tilgjengelig på det tidspunktet. “Vår forståelse av subatomær fysikk og dataanalyseteknikker har utviklet seg betydelig siden 2007, og så i dag kan forskere bruke ny innsikt for å analysere H1-dataene,” sa Nachman.

Forskere i dag har en fornyet interesse for HERAs partikkeleksperimenter, ettersom de håper å bruke dataene – og mer presise datasimuleringer informert av verktøy som OmniFold – for å hjelpe til med analyse av resultater fra fremtidige elektron-proton-eksperimenter, for eksempel ved Institutt for Energys neste generasjon Electron-Ion Collider (EIC).

EIC – som skal bygges ved Brookhaven National Laboratory i samarbeid med Thomas Jefferson National Accelerator Facility – vil være en kraftig og allsidig ny maskin som er i stand til å kollidere høyenergistråler av polariserte elektroner med et bredt spekter av ioner (eller ladede atomer) på tvers av mange energier, inkludert polariserte protoner og noen polariserte ioner.

“Det er spennende å tenke på at metoden vår en dag kan hjelpe forskere med å svare på spørsmål som fortsatt gjenstår om den sterke kraften,” sa Nachman.

“Selv om dette arbeidet kanskje ikke fører til praktiske anvendelser på kort sikt, er det å forstå naturens byggesteiner grunnen til at vi er her – for å søke den ultimate sannheten. Dette er trinn for å forstå på det mest grunnleggende nivået hva alt er laget av . Det er det som driver meg. Hvis vi ikke gjør forskningen nå, vil vi aldri vite hvilke spennende nye teknologiske fremskritt vi får til nytte for fremtidige samfunn.”

---

---