Tilbake til søkeresultatene

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

Developing solvents for unclogging the calculational bottleneck in high-energy physics

Alternativ tittel: Utvikling av løsninger for den beregningsbaserte flaskehalsen i høyenergifysikk

Tildelt: kr 12,5 mill.

Når partikkelfysikere i dag leter etter universets byggestener, for eksempel den gåtefulle mørke materien som holder galaksene sammen, står de overfor alvorlige flaskehalser i form av tunge numeriske beregninger. For å teste realistiske nye fysikkmodeller mot den mengden av data som eksisterer i dag fra alt fra astrofysiske observasjoner til eksperimenter ved Large Hadron Collider, må de store parameterrommene til modellene utforskes i detalj. Dette betyr gjentatte presise numeriske evalueringer av teoretiske prediksjoner for modellen for ulike parameterverdier. Det kan være nødvendig med millioner til milliarder av slike reevalueringer totalt for en enkelt modell, avhengig av antall parametere i modellen. Hver av disse prediksjonene er beregningsmessig svært kostbare, og det er i dag umulig å gjøre nøyaktige tester på alt untatt de aller enkleste modellene, selv ved bruk av superdatamaskiner. Dette prosjektet har som mål å fjerne slike beregningsmessige flaskehalser gjennom et tverrfaglig samarbeid mellom partikkelfysikere og statistikere. For å nå målet vil prosjektet følge en rekke forskjellige forskningsstrategier: det vil skape moderne maskinlæringsverktøy for å utføre presisjonsberegninger i kvantefeltteori, samt evaluere deres usikkerhet, og det vil utvikle et programvarerammeverk for å bruke disse i høyenergifysikk. For å redusere antallet reevalueringer som trengs for å utforske nye fysikkmodeller, vil prosjektet utvikle sofistikerte nye statistiske teknikker for å pålitelig kunne påvise de best tilpassede parameterregionene i modellene, og kunne gjøre modellsammenligninger mulig innenfor dagens begrensninger i beregningskapasitet. Til slutt vil prosjektet bruke disse resultatene til å utforske fem forskjellige nye fysikkmodeller som er spesielt interessante som løsninger på noen av de store problemene i høyenergifysikk i dag, for eksempel hva mørk materie er for noe.

When exploring the smallest fundamental constituents of the Universe physicists are faced with very serious calculational bottlenecks. To compare new physics models to data, for example from the Large Hadron Collider or astrophysical observations, we need to perform very computationally expensive calculations in quantum field theory (QFT); expensive due to the increasing complexity of higher-order quantum corrections. These are today too slow to perform at the necessary precision except for the simplest models. At the same time, the interpretation of the models given the available data, the best-fit regions of their parameter spaces, and the comparison of different models with each other through their goodness-of-fit, is made computationally intractable due to the size of the parameter spaces of the models and the complexity of the likelihood evaluation for each model. The solution to these inherent problems can not be found in physics alone. This project builds on an interdisciplinary collaboration between physicists and statisticians focused on statistical learning and inference problems in high-energy physics. The project will develop machine learning based regression techniques to speed up QFT calculations with a proper probabilistic interpretation of uncertainties from higher-order contributions, it will develop a continual learning framework for faster emulation of the likelihood for model parameters, and it will investigate new improved statistical approaches to the problems of best-fit and goodness-of-fit using these emulations. Finally, the project will investigate a number of promising new physics models that can answer questions such as: What is dark matter? Are the properties of the Higgs boson indicating that the Universe is fundamentally unstable? Why is there more matter than anti-matter in the Universe? If funded, this project will increase the reach of large and costly experiments in answering these questions for a relatively small extra cost.

Aktivitet:

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