Rekonstruktion axionartiger Teilchen aus Beam-Dumps mit simulationsbasierter Inferenz
Forscher aus drei verschiedenen Instituten am KIT haben eine neue Methode entwickelt, um die Eigenschaften eines noch hypothetischen Teilchens zu untersuchen, das Aufschluss über die Natur der dunklen Materie und andere grundlegende Phänomene geben könnte: Das Teilchen, ein sogenanntes Axion-ähnliches Teilchen (ALP), zerfällt nach der Theorie in zwei Photonen, konnte aber bisher nicht nachgewiesen werden. Die Forscher des Instituts für Experimentelle Teilchenphysik (ETP), des Instituts für Theoretische Teilchenphysik (TTP) und des Instituts für Astroteilchenphysik (IAP) verwendeten eine Technik des maschinellen Lernens, um die Eigenschaften von ALPs aus simulierten Daten zu rekonstruieren. Sie gingen davon aus, dass ALPs in einem Beam-Dump-Experiment erzeugt werden, bei dem ein hochenergetischer Protonenstrahl auf ein Ziel trifft und einen Schauer von Teilchen erzeugt. Einige dieser Teilchen könnten in ALPs zerfallen, die eine lange Strecke zurücklegen würden, bevor sie in Photonen zerfallen. Die Photonen würden dann auf einen Detektor treffen, wo ihre Energie und Richtung gemessen wird.
Die genaue Position, an der die ALPs zerfallen, ist jedoch nicht bekannt, sodass es schwierig ist, ihre Masse und Lebensdauer zu bestimmen. Die Forscher verwendeten ein so genanntes bedingtes invertierbares neuronales Netz, um die Beziehung zwischen den ALP-Parametern und den Photonenbeobachtungen zu lernen. Das neuronale Netz kann dann die Wahrscheinlichkeitsverteilung der ALP-Parameter für einen bestimmten Satz von Ereignissen schätzen. Die Forscher fanden heraus, dass ihre simulationsbasierte Schlussfolgerungsmethode wesentlich besser abschneidet als herkömmliche Methoden, die auf einfachen Variablen wie der invarianten Masse, dem Öffnungswinkel zwischen den Photonen oder dem Abstand zum Ziel basieren. Das neuronale Netz kann auch zuverlässige Unsicherheitsschätzungen liefern, die für statistische Schlussfolgerungen entscheidend sind. Darüber hinaus kann das neuronale Netzwerk leicht an verschiedene experimentelle Einstellungen angepasst werden, was es zu einem nützlichen Werkzeug für die Optimierung des Designs zukünftiger Experimente wie SHADOWS oder SHiP macht, die derzeit als die nächste Generation von Beam-Dump-Experimenten am CERN diskutiert werden.
"Das interdisziplinäre Team war bei der Arbeit an allen Aspekten des Projekts sehr hilfreich. Ich hoffe, dass diese Methode dazu beitragen wird, den besten Detektor für die zukünftigen Beam-Dump-Experimente am CERN zu entwickeln", sagt Teammitglied Prof. Ferber vom Institut für Experimentelle Teilchenphysik (ETP). Die Arbeit ist als Preprint verfügbar, und der gesamte Code und die simulierten Daten zur Reproduktion der Ergebnisse sind hier zu finden.
Contact: Prof. Torben Ferber