In Richtung künstliche Intelligenz unterstütztes Design von Experimenten

Startseite » In Richtung künstliche Intelligenz unterstütztes Design von Experimenten
In Richtung künstliche Intelligenz unterstütztes Design von Experimenten

Das ist der Titel eines kurzen Artikels, den ich gerade veröffentlicht habe (es ist hier online, aber Vorsicht – im Moment müssen Sie von einer Institution aus zugreifen, die auf die Inhalte der Zeitschrift zugreifen kann), auf Nuclear Instruments and Methods – eine renommierte Zeitschrift für Teilchenphysik und kernphysikalische Instrumentierung. Der Inhalt ist nicht sehr neu, in dem Sinne, dass er kaum mehr als eine Zusammenfassung von Dingen ist, die die MODE-Kollaboration im vergangenen März hier veröffentlicht hat. Aber für die Abgelenkten unter Ihnen fasse ich die Zusammenfassung unten zusammen.

Der Artikel ist ein Tagungsband der Elba-Konferenz namens „Frontier Detectors for Frontier Physics“, einer sehr berühmten Veranstaltung, die alle drei Jahre im Golf von Biodola auf der Insel Elba vor der Küste der Toskana stattfindet. Neben dem Interesse und ihrer erstklassigen Natur ist die Konferenz berühmt für das fantastische Essen, mit dem die Gäste im Hermitage Hotel, einem fantastischen 5-Sterne-Resort, verwöhnt werden.

Ich hatte das Vergnügen, nur dreimal an der Konferenz teilzunehmen; Das erste Mal war im Jahr 2000, als ich ein Poster über die Aufrüstung des Myonensystems für das CDF-Experiment am Fermilab Tevatron Collider präsentierte. Poster sind normalerweise keine bedeutende Ergänzung des Lebenslaufs, aber in diesem Fall wurde das von mir verfasste Proceeding Paper weithin als Hauptquelle für den zitiert Beschreibung des Run 2 Myonensystems von CDF, so dass es derzeit 85 Zitate hat – nicht wirklich schlecht für einen Proceeding Paper mit nur einem Autor! Ich hoffe also, dass der neue Artikel, den ich hier bespreche, der auch die Zusammenfassung eines Posters ist, auf einem ähnlichen Weg enden wird.

Wie auch immer, zurück zur Zusammenfassung der Zusammenfassung. In dem Poster und in den Proceedings habe ich erklärt, wie wir uns darauf vorbereiten, die differenzierbare Programmierung für die End-to-End-Optimierung von Teilchendetektoren zu nutzen. Da Teilchendetektoren äußerst komplexe Instrumente sind und das Design dieser Instrumente als subtile Kunst gilt, deren Beherrschung Jahrzehnte dauert, ist der obige Satz fast eine Beleidigung für jeden, der sich für einen Detektorexperten hält.

Daher ist es wichtig zu erklären, dass die neuen KI-gestützten Methoden, die auf Ersatzmodellen der datenerzeugenden Prozesse beruhen, die typischerweise stochastischer Natur sind und daher nicht in ein differenzierbares Modell (das der Schlüssel zu gradientenbasierten Optimierung) – sollen Instrumente in den Händen des Detektorbauers sein, keine Plug-and-Play-Werkzeuge, die ihn zum Ruhestand einladen. Mit diesen Tools wird es wesentlich effizienter und schneller, verschiedene Layouts zu testen und innerhalb spezifischer Auswahlmöglichkeiten für Erkennungstechnologie und -spezifikationen zu bestimmen, welche geometrischen Anordnungen am besten funktionieren und wie Beschränkungen am besten im Design berücksichtigt werden können.

In dem Artikel habe ich nur einige der laufenden Projekte erwähnt. Die wahrscheinlich wirkungsvollste und fortschrittlichste davon ist die Optimierung des elektromagnetischen Kalorimeters des LHCb, die das Layout der Photomultiplier-Röhren in diesem Detektor steuern wird, der für die Phase mit hoher Leuchtkraft des LHC einer Aufrüstung unterzogen wird.

Andererseits zeichnet sich eine Reihe anderer, nicht weniger interessanter Anwendungsfälle am Horizont ab: die Optimierung des Layouts von Cherenkov-Panzern zum Nachweis ultraenergetischer Gammastrahlen mit dem SWGO-Detektorarray, das Design von Neutronenmoderatoren für die LEGEND-1000 neutrinoloses Doppel-Beta-Zerfall-Experiment, die Optimierung des elektromagnetischen Kalorimeters für die Detektor-Instrumentierung eines zukünftigen Myon-Colliders und viele andere. Die MODE-Kollaboration (https://mode-collaboration.github.io) führt die Forschung in diesem interessanten Bereich der Forschung und Entwicklung an und wird immer größer – mit Informatikern und Physikern aus einer Reihe von Instituten auf der ganzen Welt.

Um die Art der Arbeit zu zeigen, die wir leisten, füge ich unten ein animiertes GIF ein, das zeigt, wie die Positionierung von Cherenkov-Panzern des SWGO-Arrays automatisch optimiert werden kann, sobald man eine differenzierbare Pipeline erstellt. Das Konzept ist in der folgenden Grafik dargestellt:

Wie Sie sehen können, muss man ein Layout simulieren, dann die Physik simulieren (in diesem Fall hochenergetische Gammastrahlen und hochenergetische Protonen der kosmischen Strahlung, der Hintergrund, der durch das Experiment unterschieden werden soll), und eine Teststatistik erstellen, die unterscheidet Gammas von Protonen und berechnen dann mit Hilfe von Datenstapeln, wie gut das Signal gemessen werden kann – und eine daraus resultierende Nutzenfunktion. Wenn man dann die Ableitung der Nutzenfunktion in Bezug auf die Position aller Detektoren berechnen kann, kann das System die beste Konfiguration durch stochastischen Gradientenabstieg lernen.

Das GIF unten zeigt mehrere Kontrolldiagnosen, aber Sie können sich wahrscheinlich auf das zweite Diagramm von links konzentrieren, das schwarze Punkte zeigt, wo die Detektoren auf dem Boden positioniert sind (ein riesiges Gebiet in großer Höhe in Chile), und kleinere farbige Punkte, die das zeigen Position von Gamma- und Protonenschauern in jeder Reihe von Ereignissen während des Optimierungszyklus. Wie Sie sehen können, erkennt das System, dass die Detektoren erfolgreich weiter auseinander gefahren werden können, um eine größere Anzahl von Schauern abzufangen, ohne die Genauigkeit der Messung der Schauer in der Nähe des Zentrums zu verringern und die statistische Aussagekraft der Messung insgesamt zu verbessern.

Natürlich ist es nicht einfach, den Code zusammenzustellen, der diesen Trick durchführt, aber es ist äußerst befriedigend, dann zu beobachten, wie die Maschine ihre Aufgabe interpretiert, optimale Lösungen zu finden!