Büyük Hadron Çarpıştırıcısı (LHC) deneylerinde yapılan ölçümler, kuantum dünyasının en temel olgularından biri tarafından engelleniyordu. Ancak şimdi, genç bir araştırmacı derin sinir ağlarını kullanarak bu sorunu çözmek için yeni bir yöntem geliştirdi.
Büyük Hadron Çarpıştırıcısı, tarihin en büyük deneylerinden biri olmasının yanı sıra, yorumlanması en zor verileri üreten deneylerden de biridir. Bir teleskopla bir yıldızın görüntüsünü görmek gibi değil, LHC'den çıkan veriler hakkında herhangi bir şey söylemek dikkatli istatistiksel modellemeler gerektirir.
Bir öğretim üyesi, "Eğer bana 'Higgs bozonu şöyledir veya böyledir' diyen bir teori verseniz, insanlar 'Hey, deneyi siz kurdunuz, çeşitli hipotezler altında ne göreceğinizi bana söyleyebilmelisiniz!' diye düşünebilirler. Ama biz bunu yapamıyoruz," diyor.
LHC verilerini yorumlamadaki en büyük zorluklardan biri, kuantum mekaniğinin temel bir sonucu olan girişimdir. Girişim, iki olası olayın birbirini engellemesine, sonuçların görülme olasılığını zayıflatmasına olanak tanır. Girişimin varlığında, fizikçiler verileri analiz etmek için daha belirsiz istatistiksel yöntemler kullanmak zorunda kalıyorlardı, bu da verilerin tam gücünü kaybetmelerine ve belirsizliklerinin artmasına neden oluyordu.
Ancak, son zamanlarda yapılan bir keşif, bu sorunu ele almak için farklı bir yol öneriyor. LHC'de proton çarpışmalarını inceleyen iki büyük işbirliğinden biri olan ATLAS işbirliği, geçen Aralık ayında detektörlerinden gelen verileri keşfetmenin yeni yollarını tanımlayan iki makale yayımladı. Bu makalelerden biri, parçacık fiziği verilerinin potansiyelini en üst düzeye çıkarmak için Yapay Sinir Ağı Tabanlı Simülasyonla Çıkarım (Neural Simulation-Based Inference - NSBI) adı verilen bir makine öğrenmesi tekniğinin nasıl kullanılacağını anlatıyor. Diğeri ise, tekniğin etkinliğini nihai testle gösteriyor: Daha önceki bir analizi yeni teknikle yeniden yapmak ve dramatik bir iyileşme görmek.
Bu makaleler, genç bir araştırmacının işbirliğini yeni tekniğin değerine ikna etmek için harcadığı altı yıllık çabanın doruk noktasıdır. Başarısı şimdiden deneyin gelecekteki çalışmaları için planlarını etkilemeye başlamıştır.
Bozonların Birleşmesinden Anlam Çıkarma
LHC'deki her parçacık çarpışması, farklı parçacıkların birleşerek deneycilerin gördüğü saçılımı oluşturduğu birçok olası yolu içerir. 2017 yılında, ATLAS işbirliğinin bir üyesi, öğrencisi Aishik Ghosh'tan, ekibinin belirli bir yolu tespit etme yeteneğini geliştirmesini istedi. Bu yol oldukça önemlidir çünkü tüm temel parçacıkların kütlesini açıklamaya yardımcı olan (ilk kez 2012'de ölçülen) Higgs bozonunun özelliklerini ölçmek için kullanılır.
Bu oldukça büyük bir talepti. Ghosh, "Bir yüksek lisans öğrencisi ATLAS'ta çalışmaya başladığında, hepsi tam olarak ne yaptığını bilen 3.500 fizikçiden oluşan devasa, iyi işleyen bir makinenin küçücük bir çarkıdır," diyor.
Ghosh'un çalışması istenen yol birkaç adımda gerçekleşir. İlk olarak, çarpışan iki protonun her biri zayıf nükleer kuvvetle ilişkili bir parçacık olan bir W bozonu yayar. Bu iki bozon birleşerek kimliklerini değiştirir ve bir Higgs bozonu oluşturur. Higgs bozonu daha sonra bozunarak zayıf kuvvetle ilişkili başka bir parçacık olan iki Z bozonu oluşturur. Son olarak, bu Z bozonlarının her biri bir leptona (elektron gibi) ve onun antimadde partnerine (pozitron gibi) bozunur.
Ghosh'un incelediği gibi ölçümler, Higgs bozonunun özelliklerini araştırmanın temel bir yoludur. Fizikçiler, Higgs bozonunun ne kadar sürede bozunduğunu hassas bir şekilde ölçerek, LHC'nin doğrudan üretemeyeceği kadar büyük olan yeni, keşfedilmemiş parçacıklarla etkileşiminin kanıtını bulabilirler.
Ghosh, işbirliğinin iyi test edilmiş yöntemlerinde küçük bir iyileşme bulmayı umarak projeye başladı. Bunun yerine daha büyük bir sorun fark etti. Kendisine verilen, tek bir yolu kendi başına tespit etme hedefinin aslında bir anlamı yoktu.
Ghosh, "Bunu yapıyordum ve 'Ben ne yapıyorum?' diye fark ettim. Açık bir amaç yoktu," diyor. Sorun kuantum girişimiydi.
Kuantum Tarihleri Nasıl Girişim Yapar?
Kuantum mekaniğinin gizemli doğasının en ünlü gösterilerinden biri çift yarık deneyi olarak adlandırılır. Bu gösterimde, elektronlar diğer taraftaki bir fotoğraf plakasına geçmelerine olanak tanıyan iki yarığı olan bir ekrandan ateşlenir. Tek bir yarık kapatıldığında, elektronlar açılışın merkezinde bir desen oluşturur. Fotoğraf plakası yarığın tam karşısında parlaklaşır ve yarıktan uzaklaştıkça kararır.
Her iki yarık açık olduğunda, daha fazla elektron fotoğraf plakasına ulaştıkça desenin daha parlak olmasını beklersiniz. Bunun yerine, etki değişir. İki yarık iki güzel parlak tepe oluşturmaz; bunun yerine, bazı alanların parlaklaştığı, diğerlerinin ise karardığı dalgalı bir desen görürsünüz, oysa teoride kararmış alanlara elektronların ulaşması daha kolay olmalıdır.
Etki, elektronlar birbirlerini doğrudan etkilemelerini engellemek için tek tek ekrana ateşlense bile gerçekleşir. Sanki her elektron, birinden geçtiği bir tarih ve diğeri üzerinden geçtiği başka bir tarih olmak üzere iki olası tarihi yanlarında taşır ve her ikisi de aynı yerde sona erer. Bu iki tarih birbirine müdahale eder, öyle ki bazı varış noktaları daha olası olmak yerine daha az olası hale gelir.
Çift yarık deneyindeki elektronlar için iki farklı tarih, uzaydaki iki farklı yoldur. Büyük Hadron Çarpıştırıcısı'ndaki bir ölçüm için tarihler daha soyuttur - alanların dönüşümleri yoluyla giden yollar. Bir tarih, Ghosh'un çalışması istenen yola benzeyebilir; burada iki W bozonu bir Higgs bozonu oluşturmak için birleşir, Higgs bozonu daha sonra iki Z bozonuna ayrılır. Ancak başka bir tarihte, iki W bozonu birleşebilir ve Higgs hiç oluşmadan doğrudan iki Z bozonuna ayrılabilir.
Her iki tarihin başlangıcı aynıdır (iki W bozonu) ve sonu aynıdır (iki Z bozonu). Ve tıpkı çift yarık deneyindeki elektronların iki tarihinin girişim yapabilmesi gibi, bu parçacıkların iki tarihi de girişim yapabilir.
Bu girişim, Higgs bozonunun etkisini tespit etmeyi çok daha zor hale getirir. ATLAS bilim insanları, iki Z bozonunun üretildiğine dair kanıt sağlayacak iki çift elektron ve pozitron aramak istediler. Gözlemlerini iki türe ayırırlardı: Aradıkları sinyalin (bozunan bir Higgs bozonu) kanıtı olan gözlemler ve Higgs bozonu aracılığı olmadan bu parçacık desenini üreten olayların gözlemleri (ikincisi arka plan olarak adlandırılır). Ancak sinyal ve arka plan gibi iki tür gözlem girişim yapar. Daha güçlü bir sinyal (daha fazla Higgs bozonunun bozunmasına karşılık gelir) ile daha fazla elektron ve pozitron çifti gözlemleyebilirsiniz... ancak bu olaylar girişim yaparsa, bu çiftlerin kaybolduğunu da görebilirsiniz.
Çıkarım Yapmayı Öğrenme
Geleneksel yaklaşımlarda, bu kaybolmalarla başa çıkmak zordur, hatta makine öğrenmesini zaten içeren yöntemler kullanırken bile.
Makine öğrenmesinin en yaygın kullanımlarından biri sınıflandırmadır - örneğin, köpek ve kedi resimlerini ayırt etmek. Makineyi kedi ve köpek resimleri üzerinde eğitirsiniz ve size, verilen bir resmin hangi hayvana en uygun olduğunu söyler. LHC'deki fizikçiler zaten çarpışmaların ürünlerini karakterize etmek için bu tür sınıflandırma yöntemini kullanıyorlardı, ancak girişim söz konusu olduğunda çok daha kötü performans gösterir.
Bir bilim insanı, "Eğer kaybolan bir şeyiniz varsa, neyi eğiteceğinizi tam olarak bilemezsiniz," diyor. "Genellikle sinyal ile arka planı eğitiyorsunuz, tıpkı kedileri köpeklere karşı eğittiğiniz gibi. Kaybolan bir şey olduğunda, neyi eğittiğinizi göremezsiniz."
İlk başta Ghosh birkaç basit hile denedi, ancak zaman geçtikçe daha temel bir değişiklik yapması gerektiğini fark etti. Toplulukta başkalarına ulaştı ve Yapay Sinir Ağı Tabanlı Simülasyonla Çıkarım (NSBI) adı verilen bir yöntem hakkında bilgi edindi.
Daha eski yaklaşımlarda, insanlar makine öğrenmesi modellerini, eğitim verilerini oluşturmak için parçacık çarpışmalarının simülasyonlarını kullanarak gözlemleri sinyal ve arka plan olarak sınıflandırmak üzere eğitmişlerdi. Ardından bu sınıflandırmayı, gerçek bir deneyden gelen verilere dayanarak, bir sayının (Higgs bozonunun bozunması için geçen süre gibi) en olası değerini çıkarmak için kullandılar. Yapay Sinir Ağı Tabanlı Simülasyonla Çıkarım, sınıflandırmayı atlayıp doğrudan çıkarıma gider.
Gözlemleri farklı kategorilere ayırmaya çalışmak yerine, NSBI simülasyonları kullanarak bir yapay sinir ağını olabilirlik oranı adı verilen bir formülü tahmin etmeye öğretir. NSBI kullanan biri, farklı durumları (Higgs bozonunun farklı oranlarda bozunmasına izin vermek gibi) tanımlayan birkaç simülasyon çalıştırır ve sonra belirli bir gözlemi kaç tür simülasyonun verdiğini kontrol eder. Belirli bir bozunma hızına sahip bu simülasyonların oranı, deneysel kanıtlara dayanarak hangi bozunma hızının daha olası olduğunu çıkarmak için bir yöntem olan olabilirlik oranını sağlar. Sinir ağı bu oranı tahmin etmede iyiyse, Higgs'in ne kadar sürede bozunduğunu bulmada da iyi olacaktır.
NSBI, gözlemleri farklı kategorilere ayırmaya çalışmadığı için kuantum girişimiyle daha etkili bir şekilde başa çıkar. Kaybolan bir sinyale dayanarak Higgs'i bulmaya çalışmak yerine, tüm verileri inceleyerek hangi bozunma süresinin en olası olduğunu tahmin etmeye çalışır.
Ghosh yöntemi test etti, test verileri üzerinde umut verici sonuçlar gösterdi ve sonuçları 2019'da bir konferansta sundu. Ancak ATLAS işbirliğini yöntemin güvenli olduğuna ikna edecekse, önünde hala çok iş vardı.
ATLAS'ın Omuzlarındaki Yükü Hafifletmek
ATLAS gibi deneyler yüksek beklentilere sahiptir. Binlerce bilim insanından oluşan bir işbirliği olarak ATLAS'ın yalnızca fizik yasalarını tahmin etmesi değil, aynı zamanda bu tahminlerin ne kadar belirsiz olduğu hakkında net bir fikre sahip olması gerekir. O zamanlar NSBI bu şekilde test edilmemişti.
Ghosh, "Bunların hiçbiri gerçek veriler üzerinde kullanılmamıştı," diyor. "Kimse belirsizlikleri nasıl ölçüleceğini bilmiyordu. Yani size bir olabilirlik veren bir sinir ağınız var. Olasılığın ne kadar iyi olduğunu bilmiyorsunuz. İyi tahmin edilmiş mi? Ya sadece tuhaf bir köşede yanlış tahmin edilmişse? Bu sonuçlarınızı tamamen yanıltır."
Bu 'köşeleri' kontrol etmek tek bir doktora öğrencisi için çok büyük ve tek bir doktora derecesi içinde tamamlanması çok karmaşık bir işti. Aishik'in bir ekip kurması ve bu ekibi kurmak için zamana ihtiyacı olacaktı. Bu, öğrencilerin bir sonraki pozisyonları için CV'lerini geliştirmek amacıyla hızla yeni sonuçlar yayınlama beklentisiyle kısa süreli doktora sonrası işlere devam ettiği akademik dünyada zor bir durumdur.
Ghosh, "Genellikle iki ila üç yıl içinde bir sonraki makaleyi yayınlamaya bakarız - yöntemlerimizi baştan sona değiştirmek için zaman yoktur," diyor. Neyse ki Ghosh'un desteği vardı. Doktora derecesini aldı ve iddialı projesini sürdürmesi için onu teşvik eden bir profesörle çalışmaya başladı.
Bir profesör, "Doktora sonrası araştırmacıların bu riskleri almayı öğrenmeleri bence gerçekten önemli, çünkü bilim budur," dedi.
Ghosh ekibini topladı. Başka bir öğrenci makinenin cevaplarına olan güvenini kalibre etmek için çalıştı. Bir başka profesör projeye katıldı. Onun öğrencisinin, hesaplamanın tam ölçekte bir bilgisayar kümesinde çalışmasını sağlamada kilit bir rolü olacaktı. Emekli araştırmacılar ve öğretim üyeleri çapraz kontroller ve tavsiyeler sağladı.
Ekip, yöntemlerinin çalıştığına dair net bir kanıt istedi, bu yüzden sıra dışı bir adım attılar. ATLAS'ın daha önce analiz ettiği verileri aldılar ve bunun yerine kendi yöntemlerini kullanarak tam bir analiz gerçekleştirdiler, işbirliğinin düşünebileceği her kontrolü geçebileceğini gösterdiler. Biri yöntemi tanımlayan, diğeri yükseltilmiş analizlerinin sonuçlarını veren iki makale yayınladılar. Dönemin ATLAS bilgisayar koordinatörlerinden biri, makalelerin yayınlanmasına yardımcı oldu ve birden çok alandaki uzmanlar tarafından incelenmelerini sağladı.
Koordinatörlerden biri, "Bu teknik anlayış ile fizik analiz deneyimi ve yeterliliğini bir araya getiren, gerçekten makalenin yeterli, anlaşılır ve kullanışlı olup olmadığı hakkında konuşabilecek topluluğumuzun çok küçük bir alt kümesiydi. Bu yüzden o küçük insan grubunu isim isim dahil ettiğimizden gerçekten emin olmalıydık," dedi.
Yeni yöntem önemli iyileşmeler gösterdi, işbirliğinin önceki analizinden çok daha hassas bir sonuç elde etti. Bu iyileşme ve kapsamlı kontroller, ATLAS'ı NSBI'yı gelecekte daha geniş çapta kullanmaya ikna etti. Higgs bozonunu yeni parçacıklar aramak ve kuantum dünyasına dair anlayışımızı netleştirmek için kullanarak beklediklerinden çok daha fazla hassasiyet sağlayacaktır. ATLAS gelecekteki planlarını tartıştığında, gelecekte ulaşmayı beklediği hassasiyetin projeksiyonlarını yapar. Ancak bu planlar şimdi altüst ediliyor.
Koordinatör, "Aishik'in çok çabaladığı bu yöntemin eğlenceli yanlarından biri, her seferinde 'şimdi projeksiyonu yapıyoruz - 15 yıl sonra ne kadar iyi olacağız' hissi vermesi ve bu projeksiyonları kesinlikle ezmemiz," diyor. "Şimdi bir dizi projeksiyonu yeniden yapmak zorundayız çünkü 15 yıl sonrası için eski projeksiyonlarımıza şimdiden ulaştık. Sahip olunması çok eğlenceli bir sorun."
