Maschinelles Lernen für wiederverwendbare Präzisionsmessungen

Forscher am ETP haben eine neue, auf maschinellem Lernen basierende Analysemethode entwickelt, die die Genauigkeit von Kollisionsmessungen verbessert und gleichzeitig die Ergebnisse transparent und wiederverwendbar hält. Die Methode namens „Optimal Observable Machine“ (OOM) wurde von Torben Mohr, Masterstudent am ETP, in Zusammenarbeit mit internationalen Partnern entwickelt.

In der Hochenergiephysik basieren Messungen auf Observablen, die aus Detektordaten rekonstruiert und später um Detektoreffekte korrigiert werden, bevor sie mit der Theorie verglichen werden. Moderne Methoden des maschinellen Lernens können zwar die Empfindlichkeit anhand von Detektordaten verbessern, liefern jedoch oft Ergebnisse, die schwer zu interpretieren oder wiederzuverwenden sind, da die gelernten Größen nicht so definiert sind, dass eine saubere Korrektur um Detektoreffekte möglich ist. Die OOM behebt dieses Problem, indem sie eine einzige, physikalisch aussagekräftige Observable lernt, die die für einen ausgewählten Physikparameter relevanten Informationen erfasst.

Entscheidend ist, dass diese Observable auf der Ebene der zugrunde liegenden Teilchenwechselwirkung definiert ist, aber so konstruiert ist, dass sie unter Berücksichtigung von Detektoreffekten und Unsicherheiten zuverlässig messbar bleibt. Diese Effekte werden bereits während des Trainings berücksichtigt, sodass die Methode die erwartete Messempfindlichkeit unter realistischen Versuchsbedingungen optimieren kann und nicht nur die einfache Klassifizierungsleistung.

Als Proof of Principle wurde das OOM auf eine aktuelle Frage der LHC-Physik angewendet: einen kleinen Überschuss nahe der Schwelle der Top-Antitop-Produktion. Unter Verwendung simulierter Daten verbessert die Methode die Empfindlichkeit für solche Effekte und bewahrt gleichzeitig die Möglichkeit, das Ergebnis im Zuge der Weiterentwicklung theoretischer Modelle neu zu interpretieren. Die Studie zeigt, wie maschinelles Lernen sowohl die Präzision als auch die langfristige wissenschaftliche Wiederverwendbarkeit von Kollisionsmessungen unterstützen kann.

Kontakt: Prof. Dr.  Jan Kieseler