Statistisches Lernen diffuser neuer Physik am LHC
Statistically Learning Dispersed New Physics at the LHC
Frankreich
Wissenschaftsdisziplinen
Informatik (15%); Mathematik (30%); Physik, Astronomie (55%)
Keywords
- Inverse Problem,
- Simplified Models,
- Statistical Learning,
- LHC phenomenology,
- Beyond The Standard Model
Die Beschreibung der Gesetzmäßigkeiten unseres Universums auf grundlegendster Ebene ist Gegenstand der Teilchenphysik Was ist es, was die Welt im Innersten zusammenhält? Um unser Verständnis auf dieser Ebene zu erweitern, haben ein paar tausend Kollegen, darunter auch wir, das größte Mikroskop der Welt gebaut, den 30 Kilometer großen Large Hadron Collider, LHC. Seit 2009 nehmen wir Daten, mittlerweile hat das Datenvolumen die Größenordnung von 1 Exabyte (1 Milliarde Gigabyte) erreicht, und die Suche nach Unbekanntem, nach neuer Physik ist in hunderten wissenschaftlichen Publikationen dokumentiert. Aber was verraten uns die vielen Arbeiten wirklich über unbekannte Physik? Gibt es versteckte Hinweise darauf, dass unser Universum supersymmetrisch ist? Schliessen sie aus, dass unsere Raumzeit aus mehr als drei (Raum) plus eins (Zeit) Dimensionen besteht? Sehen wir Hinweise für die Existenz dunkler Materie in den Ergebnissen, jedoch nur wenn wir uns aus vielen Einzelergebnissen ein Gesamtbild zu bilden versuchen? Diese Fragen sind nicht ganz einfach zu beantworten. In diesem österreichisch-französischen bilateralen Projekt versuchen wir uns an einem neuen Zugang zu diesen Fragen. In Vorfeldstudien entwickelten wir eine künstliche Intelligenz (KI), ein Softwareprogramm, das etwa hundert publizierte Ergebnisse selbständig durchforstete, und nach Hinweisen für neuer Physik suchte, die nur offenkundig werden wenn man alle Ergebnisse kombiniert. In diesem Projekt wollen wir diese Idee zu voller Reife bringen. Die künstliche Intelligenz soll erweitert werden, mit einem größeren Teil der LHC Ergebnissen gefüttert werden. Dabei soll die KI auch selbständig physikalische Protomodelle entwickeln potentielle Vorgängertheorien einer fundamentalen, neuen physikalischen Theorie. Falls die KI in ihrer Suche fündig wird, würden wir Menschen versuchen, diese Vorgängertheorien zu einer vollwertigen, sinnvollen physikalischen Theorien auszubauen: Künstliche Intelligenz und menschliche Intelligenz, so unser Plan, sollen in einer Symbiose ihre jeweiligen Stärken ausspielen im Streben nach einer fundamentalen Beschreibung von Energie und Materie in unserem Universum.
In unserer Kollaboration sammeln und untersuchen wir die Ergebnisse von Suchen nach neuer Physik am CERN Large Hadron Collider. Bisher haben wir die Resultate von mehr als 100 wissenschaftlichen Studien kuriert. Keine dieser Studien allein hat einen klaren Nachweis für neue Physik jenseits der heutigen Theorien gefunden. Wenn wir jedoch alle Ergebnisse gemeinsam betrachten, sehen wir ein interessantes Muster: Einige Arten von Resultatenh zeigen systematisch zuviele Abweichungen von den Vorhersagen der aktuellen Theorie, des Standard Modells der Teilchenphysik. Das ist noch keine Entdeckung. Die Wahrscheinlichkeit, dass diese Muster nur zufällige Schwankungen sind, liegt derzeit noch bei etwa 1 Prozent. Trotzdem sind die Hinweise spannend genug, dass wir ihnen weiter nachgehen. Um diese möglichen Hinweise besser zu verstehen, entwickelten wir erste vereinfachte Theorien, die wir "Protomodelle" nennen. Damit können wir alle vorhandenen Daten gemeinsam erklären. Nun warten wir gespannt auf neue Messungen des upgegradeten High-Luminosity Large Hadron Collider. Dort werden deutlich mehr Daten gesammelt werden, die uns helfen sollen herauszufinden, ob diese Hinweise tatsächlich auf neue Physik hindeuten.
- Andre Lessa, Universidade Federal do ABC - Brasilien
- Humberto Reyes Gonzalez, Università di Genova - Italien
Research Output
- 19 Zitationen
- 8 Publikationen
- 5 Datasets & Models
- 1 Software
-
2025
Titel The Analysis Description Language Ecosystem: Latest developments and physics applications DOI 10.22323/1.476.1056 Typ Conference Proceeding Abstract Autor Sekmen S Seiten 1056 -
2026
Titel Statistically Learning Dispersed New Physics at the LHC Typ PhD Thesis Autor Narasimha, Sahana -
2023
Titel SModelS v2.3: Enabling global likelihood analyses DOI 10.21468/scipostphys.15.5.185 Typ Journal Article Autor Altakach M Journal SciPost Physics Seiten 185 Link Publikation -
2023
Titel Strength in numbers: Optimal and scalable combination of LHC new-physics searches DOI 10.21468/scipostphys.14.4.077 Typ Journal Article Autor Araz J Journal SciPost Physics -
2024
Titel Global LHC constraints on electroweak-inos with SModelS v2.3 DOI 10.21468/scipostphys.16.4.101 Typ Journal Article Autor Altakach M Journal SciPost Physics -
2024
Titel SModelS v3: Going Beyond Z2 Topologies DOI 10.48550/arxiv.2409.12942 Typ Preprint Autor Altakach M Link Publikation -
2024
Titel SModelS v3: going beyond $$ \mathcal{Z} $$2 topologies DOI 10.1007/jhep11(2024)074 Typ Journal Article Autor Altakach M Journal Journal of High Energy Physics -
0
Titel On the coverage of electroweak-inos within the pMSSM with SModelS - a comparison with the ATLAS pMSSM study Typ Other Autor Constantin Leo
-
2024
Link
Titel SModelS database v3.0.0 DOI 10.5281/zenodo.13354582 Typ Database/Collection of data Öffentlich zugänglich Link Link -
2023
Link
Titel EW-ino scan points from "SModelS v2.3: enabling global likelihood analyses" paper DOI 10.5281/zenodo.8086950 Typ Database/Collection of data Öffentlich zugänglich Link Link -
2023
Link
Titel SModelS database v2.3.0 DOI 10.5281/zenodo.7961638 Typ Database/Collection of data Öffentlich zugänglich Link Link -
2026
Link
Titel SModelS database v3.1.1 DOI 10.5281/zenodo.18478919 Typ Database/Collection of data Öffentlich zugänglich Link Link -
2025
Link
Titel SModelS database v3.1.0 DOI 10.5281/zenodo.16763315 Typ Database/Collection of data Öffentlich zugänglich Link Link
-
2021
Link
Titel Micromegas interface and IDM implementation used in "Constraining new physics with SModelS version 2" (arXiv:2112.00769) DOI 10.5281/zenodo.5747107 Link Link