Büyük bir dedektörü aydınlatan inanılmaz bir parçacık patlamasını düşünün. ATLAS deneyinde rol alan fizikçiler için bu harika gösteri veri toplama sırasında her 25 ns’de bir gerçekleşir, çünkü parçacık “jetleri” kaydedilen en yaygın sinyaldir. Jetler yaygın olmakla birlikte ölçülmeleri son derece önemlidir. Bunlar, fizikçilerin araştırmakla ilgilendikleri Higgs bozonu, üst kuark ve belki de karanlık maddeye ilişkin soruların yanıtlarını ya da evrenimize yeni bir bakış açısı getirebilecek henüz keşfedilmemiş parçacıkları içerebilir.
Bir teknik olan “kümeleme”; jetlerin yeniden yapılandırılması, ATLAS kalorimetre dedektöründeki enerji birikintilerinin ve iç dedektörden gelen izlerin jet parçacıklarının özellikleriyle doğru bir şekilde eşleştirilmesini gerektirir. Kaçırılan parçacıklar veya enerji kayıpları gibi sorunları çözmek için fizikçiler yeniden inşa ettikleri jetler üzerinde “kalibrasyonlar” gerçekleştirirler. Bu kalibrasyonlar genellikle hafif kuarklardan ve gluonlardan kaynaklanan jetlerin bir kombinasyonunu içeren veri örneklerinden üretilir.
ATLAS İşbirliği BOOST 2024 konferansında, alt kuarklardan (b-jetler) kaynaklanan jetlere vurgu yaparak jet kalibrasyonuna ince ayar yapmak için yapay zeka (AI) kullanan yeni bir teknik sundu. Hafif kuark jetlerinin aksine, b-jetler daha yüksek bir ortalama parçacık sayısına sahiptir ve sıklıkla dedektörde çok az iz bırakan müon ve nötrino gibi parçacıklara ikincil bozunumlar içerir. Bu durum onların ölçülmesini son derece zorlaştırmış ve fizikçileri bireysel gözlemler için geçici düzeltmelere güvenmeye -bu zamana kadar- zorlamıştır.
Yenilikçi “regresyon” yöntemi ile ATLAS’da , b-jetler için daha evrensel bir kalibrasyon oluştururacak olan son teknoloji ürünü transformatör ağları kullanılmaktadır. ChatGPT gibi uygulamalarda kullanılan transformatörler sofistike sinir ağlarıdır. Birbirlerinden çok uzakta olsalar bile, farklı veri öğelerinin birbirlerini nasıl etkilediğini kavrayabilirler. Araştırmacılar, enerji ve kütle gibi jet parçacıkları hakkında doğru özellikler sağlayan b-jet kalibrasyon transformatörlerini eğitmek için simüle edilmiş veri kümeleri kullandılar. Ayrıca transformatörleri, bireysel enerji kümeleri ve parçacıkların içinden geçtiği dedektör katmanları gibi “düşük seviyeli” bilgiler konusunda da eğittiler. Bu, transformatörlerin dedektör verilerinin kapsamlı ısı haritalarını oluşturmasını ve jetin özelliklerini daha doğru bir şekilde analiz etmesini sağladı. Daha da önemlisi, dönüştürücülere hem küçük hem de büyük yarıçaplı jetleri idare etmeleri öğretildi.
Yeni Teknik: Yapay Zeka
Şekil 1: Küçük yarıçaplı jetler için kalibre edilmiş jet enine momentumunu “gerçek” jet enine momentumunun bir fonksiyonu olarak göstermektedir. Aşağıdaki kalibrasyon prosedürleri karşılaştırılmıştır: Higgs-bozonu analizi (mavi) yoluyla türetilen ayarlamalar “μ+PtReco”, nominal ATLAS küçük-R jet kalibrasyonu (macenta) ve yeni geliştirilen dönüştürücü tabanlı regresyon (yeşil). Regresyon, tüm momentum spektrumu boyunca ideal “1” değerine en çok yaklaşandır. Yukarıdaki çizim simüle edilmiş veriler kullanılarak oluşturulmuştur.
Bu regresyon algoritmaları ile bir b-jet’in enine momentumunun tahmininin önemli ölçüde artırıldığı , geçici ayarlamaları ve standart kalibrasyonları aştığı keşfedildi. Küçük yarıçaplı jetler için bu teknik kullanıldığında, standart kalibrasyonlara kıyasla jet enine momentumunu ölçerken doğruluğu %10-40 oranında artırıyor ve yarı leptonik bozunumları önemli bir ölçüde düzeltiyor (Şekil 1).
Şekil 2: Her biri geniş yarıçaplı bir jet olarak yakalanan ve çeşitli fizik süreçlerinden gelen jetlerin kütlesi gösterilmektedir: Higgs bozonu bir çift alt-kuarka bozunur (macenta), Z bozonu bir çift alt-kuarka bozunur (yeşil), üst kuark biri alt-kuark olmak üzere üç kuarka bozunur (mavi) ve alt-kuark çiftlerinin rastgele üretimi (sarı). Çeşitli çizgi stilleri “gerçek” dağılımı (düz), nominal kalibrasyonlardan sonraki dağılımı (noktalı) ve regresyondan sonraki dağılımı (kesikli) temsil etmektedir. Tüm süreçler için regresyon, gerçek dağılıma daha benzer bir dağılım üretmektedir. Bu çizim simüle edilmiş veriler kullanılarak oluşturulmuştur.
Yeni oluşturulan bu ATLAS yaklaşımı, Higgs bozonunun iki alt kuarka tercih edilen bozunma modunu araştırmak için çok faydalıdır. Genellikle, bu bozunum tarafından üretilen iki b-jeti üst üste biner. Bunu çözmek için bilim insanları, tüm bozunma ürünlerini tek bir jette yakalayan geniş yarıçaplı jetler kullanmaktadır. Büyük yarıçaplı jetler için, fizik araştırmalarında önemli bir miktar olan jetin hem enine momentumunu hem de kütlesini tahmin etmek için regresyon yöntemleri öğretildi. Bu yöntem, jet kütle kalibrasyonunu büyük ölçüde iyileştirerek (Şekil 2) büyük yarıçaplı jetler için enine momentumun tahminlerine %25-35 oranında doğruluk sağladı.
ATLAS’ın yeni regresyon tekniği, hem düşük hem de yüksek momentum noktalarında b-jetleri kullanan hassas ölçümlerin yanı sıra yeni parçacık arayışlarının deneysel hassasiyetini de geliştirmektedir. ATLAS araştırmacıları, verileriyle ilgili bilgilerini daha ileriye taşımak için yeni yaklaşımlar araştırmaya ve geliştirmeye devam edecekler.
Haberin Kaynağı: atlas.cern/Updates/Briefing/Transforming-Bottom-Jets
Haberi Derleyen: Yaren Doruk
