Ime strani: ARRSProjekti / 2021 / Precizne študije okusov s pomočjo strojnega učenja

Precizne študije okusov s pomočjo strojnega učenja

Nazaj na seznam za leto 2021


Oznaka in naziv projekta

J1-3013 Precizne študije okusov s pomočjo strojnega učenja
J1-3013 Advancing precision flavour studies with machine learning

Logotipi ARRS in drugih sofinancerjev

© Javna agencija za raziskovalno dejavnost Republike Slovenije

Projektna skupina

Vodja projekta: Jernej Fesel Kamenik

Sodelujoče raziskovalne organizacije: Institut Jozef Stefan

Sestava projektne skupine: doc. dr. Nejc Košnik, doc. dr. Miha Nemevšek, dr. Michele Tammaro

Vsebinski opis projekta

Razvili bomo nove tehnike, ki temeljijo na obstoječih orodjih strojnega učenja za reševanje zahtevnih vprašanj, s katerimi se sooča precizna fizika okusa, tako pri nizkih kot tudi pri visokih energijah.

Osnovni podatki sofinanciranja so dostopni na spletni strani SICRIS.

Znanstvena izhodišča in predstavitev problema

Odkritje Higgsovega bozona leta 2012 na velikem hadronskem trkalniku (ang. Large Hadron Collider - LHC) je potrdilo dolgoletni teoretični okvir, ki mu rečemo standardni model (SM) fizike delcev. Vendar pa je SM, kot vemo, nepopoln in ga lahko štejemo le za efektivno teorijo polja (EFT) osnovnih delcev in interakcij. SM ne pojasni nevtinskih mas niti temne snovi, obstoj obeh pa je že dolgo eksperimentalno potrjen. Prav tako ne ponuja razlage za netrivialni spekter kvarkov in leptonov (tako imenovana okusna struktura SM): ta je določen z medsebojnimi (Yukawinimi) interakcijami fermionov SM s Higgsovim poljem. Jakosti teh interakcij obsegajo razsežnosti od O(10−6) za elektron do O(1) za kvark t. Osrednji cilj fizike visokih energij je danes iskanje fizike onkraj SM (ang. beyond SM - BSM) z upanjem, da bomo razkrili, kaj je v ozadju trenutno nepojasnjenih pojavov.

Kvantno teoretični argumenti, ki temeljijo na ’principu naravnosti’, kažejo, da fizika BSM ne bi smela biti daleč od skale, na kateri so odkrili Higgsov bozon, energijski režim, ki ga neposredno raziskuje LHC. Vendar lahko to fiziko preizkušamo tudi posredno s preciznimi raziskavami okusa, tj. Natančnimi študijami procesov, ki spreminjajo okuse kvarkov in leptonov. V zadnjih dveh desetletjih so meritve nizkoenergijskih opazljivk okusov znotraj eksperimentov Belle, BaBar in LHCb dosegle izredno natančnost. Učinke nove fizike v teh opazljivkah je mogoče parametrizirati z ustreznimi vrstami lokalnih operatorjev, ki na efektivni način opisujejo vpliv BSM na procese delcev SM. Eksperimentalne meje na precizne opazljivke so nato predstavljene kot meje na koeficiente tega EFT razvoja. Kljub nedavnemu napredku obstajajo omejitve pri količini informacij, ki jih je trenutno mogoče pridobiti iz teh meritev zaradi težav pri načrtovanju opazljivk za optimalno sondiranje hkratnih učinkov večih efektivnih operatorjev, ločitev ne-perturbativnih prispevkov SM (pretežno kvantne kromodinamike, ang. quantum chromodynamics - QCD) od resničnih učinkov BSM.

Poleg tega potencialno bogatejši nabor opazljivk ponuja študij okusa pri visokih energijah v detektorjih ATLAS in CMS na LHC. To je tudi edino prizorišče, kjer je mogoče neposredno preučevati interakcije najtežjih delcev SM, kvarka t in Higgsovega bozona. Ta potencialno obetaven komple- mentarni sklop opazljivk trenutno ovira neučinkovita identifikacija (označevanje) lahkih (u, d, s) okusov kvarkov ter težave pri pridobivanju podrobnih kinematičnih informacij o razpadih kvarkov pri visokih energijah.

Cilji raziskave; izvirnost, relevantnost in potencialni vpliv rezultatov

Cilj projekta je razviti in aplicirati nova najsodobnejša orodja za strojno učenje (ang. machnine learning - ML) za reševanje teh vprašanj. Tako v najnovejši literaturi kot v trenutnih analizah, ki jih uporablja LHC, že obstaja veliko primerov, ki podpirajo pomen tega prizadevanja. Zlasti se je že izkazalo, da lahko pristopi strojnega učenja znatno izboljšajo trenutno najsodobnejša orodja za označevanje hadronskih curkov in za razlikovanje curkov, ki izvirajo iz kvarkov oz. gluonov. Tehnike, uporabljene v teh študijah, se zgledujejo po aplikacijah ML pri računalniškem vidu, obdelavi naravnega jezika in modeliranju genotipov. Strojno učenje je spodbudilo tudi nedavni razvoj simulacij za izboljšanje omejitev koeficientov EFT, pridobljenih iz eksperimentalnih meritev.

V tem predlogu bomo razvili nove tehnike, ki temeljijo na obstoječih orodjih ML za reševanje zahtevnih vprašanj, s katerimi se sooča precizna fizika okusa, tako pri nizkih kot tudi pri visokih energijah, navedenih zgoraj (ki se trenutno ne izvajajo z uporabo ML tehnik). Ta projekt je še posebej motiviran v času, ko se pričakuje eksperimentalni napredek z eksperimenti Belle-II in LHC III. faze.

Bibliografske reference

Objave z rezultati raziskave


Nazaj na seznam za leto 2021