Onderzoekers in de hochenergie-fysica hebben een doorbraak gerealiseerd in de snelheid waarmee detectorgebeurtenissen voor toekomstige elektronen-positron-colliders kunnen worden gesimuleerd. Met de introductie van Parnassus, een generatief machine-learningmodel, kunnen complexe processen nu vele malen sneller worden gereconstrueerd dan met traditionele methoden, wat een belangrijke hindernis wegneemt voor haalbaarheidsstudies van nieuwe versnellerprogramma's.
De computationele last van volledige detector-simulaties en de daaropvolgende reconstructie van data vormden tot nu toe een kritieke flessenhals. Parnassus is specifiek ontwikkeld voor het CLD-detectorconcept binnen de Future Circular Collider (FCC-ee). Het model fungeert als een surrogaat dat de volledige keten van simulatie en reconstructie emuleert. Volgens een wetenschappelijke publicatie op arxiv.org is het systeem getraind op botsingen tussen elektronen en positronen ($e^+e^-\to Z\to q\bar q$) bij een energie van $\sqrt{s}=91,2$ GeV.
Technisch gezien maakt Parnassus gebruik van een neuraal netwerk gebaseerd op conditional flow matching. Voor de trainingsfase zijn Geant4-simulaties van de CLD-detector en de Pandora particle-flow reconstructie ingezet. Het resultaat is een model dat in staat is om de kinematica van individuele deeltjes, de identificatie van deeltjes en de distributies van impactparameters met hoge precisie te reproduceren.
De winst in efficiëntie is volgens de enorm. Waar traditionele simulaties veel tijd kosten, kan het Parnassus CLD-model een gebeurtenis genereren in circa 1,2 milliseconde op een enkele GPU, of 40 milliseconden op een CPU. Dit betekent dat het proces twee tot drie grootteordes sneller is dan de conventionele volledige simulatie en reconstructie.
Naast de snelheid blijft de nauwkeurigheid behouden. Het model presteert aanzienlijk beter dan het geparametriseerde programma Delphes bij het analyseren van kenmerken op jet- en gebeurtenisniveau. Om dit te verifiëren, is een transformer-gebaseerde flavor tagger getraind op de gereconstrueerde data. Hieruit bleek dat het surrogaatmodel de discriminatie tussen verschillende soorten quarks ($b/c/s/q$) behoudt, vergelijkbaar met de volledige CLD-reconstructie.
De ontwikkeling van Parnassus past in een bredere trend waarbij kunstmatige intelligentie wordt ingezet om complexe fysica-processen te modelleren. Een ander voorbeeld hiervan is het project arxiv.org, waarbij diffusiemodellen worden gebruikt om de beam-beam fysica van $e^+e^-$ botsingen vast te leggen.
De integratie van AI in de detectorfysica is een centraal thema binnen de internationale wetenschappelijke gemeenschap. Dit kwam onder meer naar voren tijdens de EPS-HEP 2025 conferentie, waar in het in2p3.fr specifieke sessies zoals "AI for HEP" (High Energy Physics) werden opgenomen om de nieuwste innovaties te bespreken.
De internationale samenwerking rondom de FCC blijft intensief. Recente bijeenkomsten, waaronder de vierde Amerikaanse FCC-meeting in september 2026, benadrukken de noodzaak van voortdurende optimalisatie van zowel de detectorontwerpen als de softwarematige ondersteuning. Om andere onderzoekers te helpen bij hun ontwerpstudies voor toekomstige versnellers, is het Parnassus CLD-model publiekelijk beschikbaar gesteld.