Tilbake til søkeresultatene

FRINATEK-Fri prosj.st. mat.,naturv.,tek

Use Artificial Intelligence to pinpoint Dark Matter at the LHC

Alternativ tittel: Bruk av kunstig intelligens til å finne mørk materie i data fra LHC

Tildelt: kr 9,8 mill.

Hva er mørk materie? Det er et av de store ubesvarte spørsmålene i moderne fysikk. En rekke observasjoner har bekreftet eksistensen av denne ikke-lysende komponenten av materie, som har fått navnet mørk materie. Beregninger viser at den mørke materien utgjør hele 84% av den totale massen i universet. Likevel vet vi svært lite om dens natur. Partikkelakseleratoren “The Large Hadron Collider” ved CERN (Conseil Européen pour la Recherche Nucléaire) gjenskaper forholdene i det tidlige universet ved å akselerere, for så å kollidere protoner med en fart tilnærmet lysets hastighet. Hvis mørk materie består av partikler, vil den kunne bli gjenskapt i disse kollisjonene. Dette prosjektet bruker data fra ATLAS-eksperimentet, som er et av eksperimentene som samler inn data fra disse kollisjonene. Målet er å kaste lys på den mystiske mørke materien. I flere tiår har partikkelfysikere fokusert på å søke etter spesifikke modeller som kan forklare mørk materie - hittil uten hell. Dette har vært “state of the art”-metoden, fordi dataene fra eksperimentene er enorme, både i størrelse og kompleksitet. I dette prosjektet analyserer vi dataene uten denne forutinntattheten ved å søke etter noe spesifikt, og konsentrerer heller søket til hva som skiller seg ut fra det vi omtaler som kjent fysikk. Målet er å finne mørk materie. Ved hjelp av nye metoder innen kunstig intelligens og maskinlæring analyserer vi dataene fra ATLAS-eksperimentet på en ny og mer modell-uavhengig måte enn tidligere har vært gjort. Det er viktig å merke seg at selv om maskinlæringsalgoritmer er kraftige, er de også ugjennomsiktige. Det vil si: Vi har ikke tilgang til å forstå de underliggende beslutningene som tas av disse såkalte black-box-algoritmene. Vi bør vise stor aktsomhet her, for det gir grunn til bekymring. Samtidig som vi bruker maskinlæringsteknikker i vårt søk etter mørk materie, utvikler vi i dette prosjektet også pålitelige og tolkbare metoder for kunstig intelligens-modeller. To stipendiater og en postdoktor er ansatt i prosjektet. Sammen arbeider vi med spennende og nytenkende måter å analysere data fra de høy-energetiske partikkelkollisjonene: Kan f.eks metoder fra «computer vision» benyttes for å gi bedre kunnskap i hva som faktisk skjedde i kollisjonspunktet og dermed bringe ny innsikt i spørsmålet om mørk materie?

We are living in an extremely exciting time: The current paradigm change in computer science based on artificial intelligence (AI), combined with the highest statistics ever data from the upcoming Run3 of the Large Hadron Collider at CERN, open up unprecedented opportunities to shed light upon the long standing mystery of Dark Matter. This "invisible" component of matter matter is estimated to make up 84% of the matter content of the universe, and without it galaxies and galaxy clusters would not have formed. Yet, we know very little about its particle nature! With this project we will develop novel search strategies for Dark Matter candidates in data from the ATLAS experiment at the Large Hadron Collider using AI and Machine Learning techniques, targeting a yet inaccessible and thus unexplored part of the phase space. The bold aim is to pin-point Dark Matter. With a model-independent search strategy guided by astrophysical measurements of the amount of Dark Matter in the universe today, this project represents novel search methods that may lead to a break-through for revealing the nature of Dark Matter. Although powerful, Machine Learning algorithms are opaque, and the concern that we do not fully understand the underlying decisions made by these so-called black-box algorithms is very much justified. The huge and complex data analysis setting of the ATLAS experiment enables questioning and interpreting AI decision taking. Furthermore, it allow us to analyse how the use of AI is influencing our traditional critical and analytical thinking mindsets. Along with applying supervised, weakly-supervised and unsupervised Machine Learning techniques in the search for Dark Matter, this project will seek to develop reliable and interpretable AI models. An important part will also be to focus on the analytic reasoning itself; how does the use of black-box algorithms affect the way we think analytically?

Budsjettformål:

FRINATEK-Fri prosj.st. mat.,naturv.,tek