Come si risolve un problema come un protone? Distruggilo, quindi ricostruiscilo con l’apprendimento automatico

Come si risolve un problema come un protone?  Lo fai in mille pezzi, quindi lo ricostruisci insieme all'apprendimento automatico

Esaminando il tunnel HERA: gli scienziati del Berkeley Lab hanno sviluppato nuovi algoritmi di apprendimento automatico per accelerare l’analisi dei dati raccolti decenni fa da HERA, il collisore elettrone-protone più potente al mondo che ha funzionato presso il centro di ricerca nazionale DESY in Germania dal 1992 al 2007. Crediti: DESY

I protoni sono piccoli ma portano molto peso. Abitano al centro di ogni atomo dell’universo e svolgono un ruolo fondamentale in una delle forze più potenti della natura.

Eppure, anche i protoni hanno un lato terra-terra.

Come la maggior parte delle particelle, i protoni hanno uno spin che si comporta come minuscoli magneti. Capovolgere la rotazione o la polarità di un protone può sembrare fantascienza, ma è la base di scoperte che sono diventate essenziali per la nostra vita quotidiana, come la risonanza magnetica (MRI), l’inestimabile strumento di diagnostica medica.

Nonostante tali progressi, il funzionamento interno del protone rimane un mistero.

“Fondamentalmente tutto intorno a te esiste a causa dei protoni, eppure non capiamo ancora tutto di loro. Un enorme enigma che i fisici vogliono risolvere è la rotazione del protone”, ha affermato Ben Nachman, un fisico che guida il Machine Learning Group nel Divisione di fisica presso il Lawrence Berkeley National Laboratory (Berkeley Lab) del Dipartimento di Energia.

Capire come e perché i protoni girano potrebbe portare a progressi tecnologici che non possiamo nemmeno immaginare oggi, e aiutarci a capire la forza forte, una proprietà fondamentale che dà massa a tutti i protoni e quindi agli atomi.

Ma non è un problema così facile da risolvere. Per esempio, non puoi esattamente raccogliere un protone e metterlo in una capsula di Petri: i protoni sono insondabilmente piccoli: il loro raggio è un pelo meno di un quadrilionesimo di metro e la luce visibile li attraversa. Inoltre, non puoi nemmeno osservarne l’interno con i microscopi elettronici più potenti del mondo.

Il lavoro recente di Nachman e del suo team potrebbe avvicinarci alla risoluzione di questo sconcertante puzzle di protoni.

In qualità di membro della H1 Collaboration, un gruppo internazionale che ora comprende 150 scienziati provenienti da 50 istituti e 15 paesi, e ha sede presso il centro di ricerca nazionale DESY in Germania, Nachman ha sviluppato nuovi algoritmi di apprendimento automatico per accelerare l’analisi dei dati raccolti decenni fa da HERA, il collisore elettrone-protone più potente del mondo che ha funzionato al DESY dal 1992 al 2007.

HERA, un anello di 4 miglia di circonferenza, funzionava come un microscopio gigante che accelerava sia gli elettroni che i protoni quasi alla velocità della luce. Le particelle sono state scontrate frontalmente, il che potrebbe disperdere un protone nelle sue parti costituenti: quark e gluoni.

Gli scienziati di HERA hanno effettuato misurazioni dei detriti di particelle che cadono a cascata da queste collisioni elettrone-protone, ciò che i fisici chiamano “scattering anelastico profondo”, attraverso sofisticate telecamere chiamate rivelatori di particelle, uno dei quali era il rivelatore H1.

Svelare i segreti della forza forte

L’H1 ha smesso di raccogliere dati nel 2007, anno in cui HERA è stata dismessa. Oggi, la Collaborazione H1 sta ancora analizzando i dati e pubblicando i risultati su riviste scientifiche.

Come si risolve un problema come un protone?  Distruggilo, quindi ricostruiscilo con l'apprendimento automatico

Il collisore elettrone-protone HERA ha accelerato sia gli elettroni che i protoni quasi alla velocità della luce. Le particelle sono state scontrate frontalmente, il che potrebbe disperdere un protone nelle sue parti costituenti: quark (mostrati come palline verdi e viola nell’illustrazione sopra) e gluoni (illustrati come bobine nere). Crediti: DESY

Può essere necessario un anno o più quando si utilizzano le tecniche computazionali convenzionali per misurare le quantità relative alla struttura del protone e alla forza forte, ad esempio quante particelle vengono prodotte quando un protone entra in collisione con un elettrone.

E se un ricercatore vuole esaminare una quantità diversa, come la velocità con cui le particelle volano sulla scia di una corrente a getto di quark e gluoni, dovrebbe ricominciare da capo il lungo processo di calcolo e aspettare ancora un altro anno.

Un nuovo strumento di apprendimento automatico chiamato OmniFold, che Nachman ha co-sviluppato, può misurare contemporaneamente più quantità contemporaneamente, riducendo così il tempo necessario per eseguire un’analisi da anni a minuti.

OmniFold lo fa utilizzando le reti neurali contemporaneamente per combinare simulazioni al computer con dati. (Una rete neurale è uno strumento di apprendimento automatico che elabora dati complessi impossibili da eseguire manualmente per gli scienziati.)

Nachman e il suo team hanno applicato OmniFold ai dati sperimentali H1 per la prima volta in un numero di giugno della rivista Lettere di revisione fisica e più recentemente alla conferenza Deep Inelastic Scattering (DIS) del 2022.

Per sviluppare OmniFold e testarne la robustezza rispetto ai dati H1, Nachman e Vinicius Mikuni, un ricercatore post-dottorato nel gruppo Data and Analytics Services (DAS) presso il National Energy Research Scientific Computing Center (NERSC) del Berkeley Lab e un programma NERSC Exascale Science Applications for Learning collega, aveva bisogno di un supercomputer con molte potenti GPU (unità di elaborazione grafica), ha detto Nachman.

Per coincidenza, Perlmutter, un nuovo supercomputer progettato per supportare esperimenti di simulazione, analisi dei dati e intelligenza artificiale che richiedono più GPU alla volta, era appena stato aperto nell’estate del 2021 per una “fase scientifica iniziale”, consentendo agli scienziati di testare il sistema su dati reali. (Il supercomputer Perlmutter prende il nome dal cosmologo del Berkeley Lab e premio Nobel Saul Perlmutter.)

“Poiché il supercomputer Perlmutter ci ha permesso di utilizzare 128 GPU contemporaneamente, siamo stati in grado di eseguire tutti i passaggi dell’analisi, dall’elaborazione dei dati alla derivazione dei risultati, in meno di una settimana anziché in mesi. Questo miglioramento ci consente di eseguire rapidamente ottimizzato le reti neurali che abbiamo addestrato e per ottenere un risultato più preciso per gli osservabili che abbiamo misurato”, ha affermato Mikuni, che è anche membro della H1 Collaboration.

Un compito centrale in queste misurazioni è tenere conto delle distorsioni del rivelatore. Il rilevatore H1, come una sentinella vigile all’ingresso di un’arena da concerto esaurita, monitora le particelle mentre volano attraverso di essa. Una fonte di errori di misurazione si verifica quando le particelle volano attorno al rilevatore anziché attraverso di esso, ad esempio, una specie di spettatore senza biglietto che salta sopra una recinzione non monitorata invece di entrare attraverso il cancello di sicurezza con biglietto.

Non era stato possibile correggere tutte le distorsioni contemporaneamente a causa dei limitati metodi di calcolo disponibili all’epoca. “La nostra comprensione della fisica subatomica e delle tecniche di analisi dei dati è migliorata in modo significativo dal 2007, quindi oggi gli scienziati possono utilizzare nuove intuizioni per analizzare i dati H1”, ha affermato Nachman.

Gli scienziati oggi hanno un rinnovato interesse per gli esperimenti sulle particelle di HERA, poiché sperano di utilizzare i dati – e simulazioni al computer più precise informate da strumenti come OmniFold – per aiutare nell’analisi dei risultati di futuri esperimenti elettrone-protone, come al Dipartimento di Il collisore di ioni di elettroni (EIC) di nuova generazione di Energy.

L’EIC, che sarà costruito presso il Brookhaven National Laboratory in collaborazione con la Thomas Jefferson National Accelerator Facility, sarà una nuova macchina potente e versatile in grado di far collidere fasci di elettroni polarizzati ad alta energia con un’ampia gamma di ioni (o atomi carichi) attraverso molte energie, inclusi i protoni polarizzati e alcuni ioni polarizzati.

“È eccitante pensare che il nostro metodo potrebbe un giorno aiutare gli scienziati a rispondere alle domande che rimangono ancora sulla forza forte”, ha detto Nachman.

“Anche se questo lavoro potrebbe non portare ad applicazioni pratiche a breve termine, comprendere gli elementi costitutivi della natura è il motivo per cui siamo qui, per cercare la verità ultima. Questi sono passaggi per comprendere al livello più elementare di cosa è fatto ogni cosa “Questo è ciò che mi spinge. Se non facciamo la ricerca ora, non sapremo mai quali nuovi entusiasmanti progressi tecnologici otterremo a beneficio delle società future”.


Segni di saturazione emergono dalle collisioni di particelle a RHIC


Maggiori informazioni:
V. Andreev et al, Misurazione della correlazione Lepton-Jet nello scattering anelastico profondo con il rivelatore H1 utilizzando l’apprendimento automatico per lo spiegamento, Lettere di revisione fisica (2022). DOI: 10.1103/PhysRevLett.128.1322002

OmniFold: arxiv.org/abs/1911.09107

Presentazione della conferenza: www-h1.desy.de/psfiles/confpap … /H1prelim-22-034.pdf

Fornito da Lawrence Berkeley National Laboratory

Citazione: Come risolvi un problema come un protone? Distruggilo, quindi ricostruiscilo con l’apprendimento automatico (2022, 25 ottobre) recuperato il 25 ottobre 2022 da https://phys.org/news/2022-10-problem-proton-machine.html

Questo documento è soggetto a copyright. Al di fuori di qualsiasi correttezza commerciale a fini di studio o ricerca privati, nessuna parte può essere riprodotta senza il permesso scritto. Il contenuto è fornito a solo scopo informativo.

Lascia un commento

Il tuo indirizzo email non sarà pubblicato. I campi obbligatori sono contrassegnati *