// SCINEXX — SPAZIO & SCIENZA
Geisterteilchen: KI SPINE erkennt mehr passende Neutrino-Ereignisse als etablierte Software
Teilchenjagd mit künstlicher Intelligenz: Neutrinos hinterlassen in großen Detektoren nur selten messbare Spuren, die sich zudem schwer auseinanderhalten lassen. Ein Lernverfahren namens SPINE rekonstruiert solche Ereignisse bei ICARUS deutlich effizienter als eine herkömmliche Software. Der Test mit echten Messdaten liefert allerdings keinen Hinweis auf die zusätzlich gesuchten sterilen Neutrinos.
Menlo Park (U.S.A.). Jede Sekunde durchströmen unzählige Neutrinos unseren Körper, ohne mit dessen Materie zu reagieren. Erst wenn eines dieser Elementarteilchen mit einem Atomkern zusammenstößt, entstehen geladene Teilchen, die in speziellen Messgeräten erkennbare Spuren hinterlassen. Doch diese Signale verraten nicht von selbst, welcher Teilchenstoß sie hervorgerufen hat.
Bei Detektoren mit flüssigem Argon ist die Auswertung besonders anspruchsvoll, weil sich Teilchenspuren, Teilchenschauer und Signale kosmischer Strahlung überlagern können. Aus den dreidimensionalen Messbildern müssen die relevanten Ereignisse herausgefiltert und die beteiligten Teilchen bestimmt werden. Eine Kombination lernfähiger Algorithmen soll diesen Engpass nun verringern.
Forscher des Brookhaven National Laboratory (BNL) um Elizabeth Worcester haben mit der internationalen ICARUS-Kollaboration nun zwei Verfahren an Messdaten aus den Jahren 2022 und 2023 verglichen. Der ICARUS-Detektor am Fermi National Accelerator Laboratory (Fermilab) in Illinois enthält insgesamt 760 Tonnen flüssiges Argon. Er registriert indirekt die elektrisch geladenen Teilchen, die bei Neutrino-Kollisionen im Argon entstehen.
Eines der beiden Verfahren ist SPINE, kurz für Scalable Particle Imaging with Neural Embeddings. Das am SLAC National Accelerator Laboratory (SLAC) entwickelte System kombiniert verschiedene neuronale Netze: Es erkennt zunächst räumliche Ladungssignale, bildet daraus einzelne Teilchenbahnen und ordnet diese schließlich einer Wechselwirkung zu. Trainiert wurden die Modelle mit simulierten Detektordaten, in denen die richtigen Zuordnungen bekannt sind.
Die schrittweise Rekonstruktion macht die Entscheidungen besser nachvollziehbar als eine einzige undurchsichtige Vorhersage aus Rohdaten. Damit lassen sich Fehler gezielter lokalisieren und einzelne Verarbeitungsschritte überprüfen. SPINE verarbeitet dabei sowohl spurartige Signale als auch ausgedehnte Teilchenschauer.
„SPINE ist eine echte Rarität“, erklärt Kazuhiro Terao vom SLAC.
Der Vergleich mit der etablierten Software Pandora zeigt einen messbaren Vorteil. Bei simulierten Neutrinoereignissen mit einem Myon und mindestens einem Proton erkannte SPINE 77,0 Prozent der gesuchten Fälle, Pandora hingegen 48,5 Prozent. Das entspricht einer um knapp 59 Prozent höheren Auswahleffizienz, nicht einer entsprechend größeren Zahl von Neutrino-Kollisionen im Detektor.
Auch der Anteil richtig ausgewählter Ereignisse lag in der Simulation bei SPINE höher: 91,6 gegenüber 81,5 Prozent. In den tatsächlich aufgenommenen Daten selektierte SPINE 19.124 Kandidaten und Pandora 13.914. Eine kleine manuelle Stichprobe stützte den Vorteil, zeigte allerdings auch, dass Pandora manche geeigneten Ereignisse erkennt, die SPINE verpasst.
Im Mittelpunkt der physikalischen Untersuchung stand die Frage, ob im Neutrinostrahl ungewöhnlich viele Myon-Neutrinos verschwinden. Das könnte auf sterile Neutrinos hinweisen, eine bisher nur hypothetische vierte Neutrinoart, die sich nicht durch die gewöhnliche schwache Wechselwirkung nachweisen ließe. Beide Rekonstruktionsverfahren ergaben jedoch keinen statistisch signifikanten Hinweis auf ein solches zusätzliches Oszillationsmuster.