⚠️ KMI waarschuwing: Onweer in België Laatste update van KMI waarschuwingen voor België. KMI ↗ Kaart ↗ Artikel →
← Terug
Onderzoekers ontdekken natuurkundige concepten binnen neuraal netwerk voor deeltjesversneller

Onderzoekers ontdekken natuurkundige concepten binnen neuraal netwerk voor deeltjesversneller

Onderzoekers hebben aangetoond dat een generatief AI-model in staat is om complexe natuurkundige concepten, zoals de resonanties van bosonen, zelfstandig te identificeren. Het model werd getraind op gegevens afkomstig van de Large Hadron Collider (LHC), maar kreeg tijdens dit proces geen expliciete instructies over de onderliggende wetten van de fysica. Desondanks ontwikkelde het netwerk interne representaties die nauw aansluiten bij de menselijke kennis van deeltjesfysica.

De studie, die de titel "Who Moved My $Z$ Boson?" draagt, richt zich op het vakgebied van de mechanistische interpreteerbaarheid. Waar deze technieken voorheen hoofdzakelijk werden gebruikt om de interne logica van taal- en beeldmodellen te ontrafelen, is er nu een toepassing gevonden binnen de collider-fysica. Volgens een publicatie op arxiv.org is hiervoor gebruikgemaakt van een generatief model genaamd ShellFlow, dat is ontworpen om de kinematica van eindtoestandsdeeltjes te simuleren.

Identificatie van deeltjesresonanties

Een opvallend aspect van het onderzoek is dat het ShellFlow-model nooit informatie heeft ontvangen over welke specifieke muonen afkomstig waren van een bepaalde resonantie. Toch stelden de onderzoekers vast dat het netwerk interne kenmerken, of 'features', heeft ontwikkeld die specifiek corresponderen met fysieke objecten. Zo zijn er kenmerken geïdentificeerd die direct gelinkt kunnen worden aan het $Z$-boson, evenals aan de $\Upsilon$ en $J/\psi$ resonanties. Dit wijst erop dat het AI-model puur op basis van patronen in ongelabelde data de fysieke realiteit van deze deeltjes heeft kunnen reconstrueren, zoals beschreven in de .

Manipulatie van fysieke eigenschappen

De wetenschappers beperkten zich niet tot het observeren van deze kenmerken, maar probeerden deze ook actief te beïnvloeden. Door in te grijpen op de gedetecteerde interne features, slaagden zij erin om de fysieke eigenschappen van het $Z$-boson binnen het model te wijzigen. In de praktijk konden zij de massa van dit boson variëren binnen een bereik van ongeveer 80 tot 105 GeV.

Daarnaast voerden de auteurs een experiment uit waarbij een specifieke feature volledig uit het neurale netwerk werd verwijderd. Dit resulteerde in een bredere $Z$-piek in de gegenereerde data. Een belangrijk detail hierbij is dat het overige invariant massaspectrum nagenoeg ongewijzigd bleef. Deze selectiviteit bewijst dat de geïdentificeerde feature specifiek gekoppeld is aan het betreffende fysieke object en niet aan het gehele spectrum, aldus de .

Methodologie en wetenschappelijke context

Om tot deze resultaten te komen, maakten de onderzoekers gebruik van de gradiënten van het neurale netwerk, waarbij de selectiviteit van de kenmerken werd verfijnd via methoden voor patroonherkenning. Het onderzoeksteam bestaat uit Oleg Ruchayskiy, Inar Timiryasov, Midori Kato en Kevin Alberto Urquía Calderón. Zij concluderen dat generatieve modellen voor deeltjesfysica, zelfs wanneer ze op ongelabelde data zijn getraind, intern gemodificeerd kunnen worden om specifieke fysieke grootheden te beïnvloeden.

De studie is op 19 november 2026 ingediend en is gecategoriseerd onder vakgebieden zoals Machine Learning en High Energy Physics - Phenomenology. De bevindingen suggereren dat AI-modellen in de wetenschap niet langer als ondoorzichtige 'black boxes' hoeven te worden beschouwd. In plaats daarvan kunnen hun interne representaties worden blootgelegd om fundamentele natuurkundige processen beter te begrijpen. Het volledige verslag is raadpleegbaar via de .

Geraadpleegde bronnen
Waardering
0
Stem mee op dit artikel
Discussie
Nog geen reacties. Wees de eerste!