- إنضم
- 17/9/22
- المشاركات
- 6,764
- التفاعلات
- 15,096
الأجزاء الداخلية لمصادم الهادرونات الكبير (LHC) في CERN.
فريق لبناء أجزاء الكاشف الحيوية وأدوات التحليل لترقية LHC عالي اللمعان.
تتصادم الجسيمات عالية الطاقة في مصادم الهادرونات الكبير (LHC) التابع لـ CERN لتكوين جسيمات نادرة وأكثر ضخامة مثل بوزون هيغز، الذي تم العثور عليه هناك في عام 2012. ومع ذلك، لا يزال هناك الكثير الذي يتعين اكتشافه حول هذا الجسيم، الذي تميزه خصائصه عن الآخرين. جميع الجسيمات الأساسية الأخرى.
ولإنجاز المزيد من الاختبارات المتقدمة، من المقرر أن يحصل أكبر وأقوى مسرع في العالم على ترقية كبيرة. ومن المنتظر أن يلعب مختبر التسريع الوطني SLAC التابع لوزارة الطاقة الأمريكية دورًا حاسمًا
وفقًا لـ SLCA، سيعمل التجريبيون والنظريون معًا لبناء أجزاء الكاشف الأساسية وأدوات تحليل البيانات لترقية LHC عالي السطوع (HL-LHC). ومن المقرر أن تساعد هذه التطورات الباحثين على استكشاف بوزون هيغز واستكشاف الفيزياء خارج النموذج القياسي.
يعمل المصادم LHC عن طريق تبطين "مسارات" طولها أميال وتشبه الأنابيب بمغناطيسات فائقة التوصيل، والتي يمكنها ثني وتوجيه وتسريع شعاع من الجسيمات عالية الطاقة إلى سرعة الضوء تقريبًا.
دور حاسم في ترقية كاشف HL-LHC
تتم ترقية LHC إلى HL-LHC لقياس الاقتران الذاتي لأول مرة والتحقيق في خصائص بوزون هيغز. إن لمعان LHC، الذي يمثل كمية الاصطدامات على مدى فترة من الزمن، سوف يرتفع نتيجة لـ HL-LHC. ويزيد المزيد من الاصطدامات من احتمالية ظهور جسيمات غير عادية واكتشافها بواسطة كاشفات المسرع، بالإضافة إلى عدد بوزونات هيغز.
يجب أن ينهي SLAC التجميع الداخلي لمكون الكاشف المهم قبل أن يبدأ HL-LHC في جمع البيانات في عام 2029.
يمثل التتابع السريع لمليارات الاصطدامات المتوقعة في HL-LHC تحديًا لكاشف ATLAS في اكتشاف وتمييز الجسيمات المتولدة في هذه الاصطدامات بشكل فعال. يواجه الكاشف صعوبة في تحديد الأحداث المهمة وسط التراكم الكثيف للاصطدامات.
وفقًا للباحثين، فإن ترقية أعمق طبقتين من ATLAS، الأقرب إلى الاصطدامات، تقع على عاتق SLAC، والتي سيتم تنفيذها بالتعاون مع ثلاثة عشر مختبرًا ومؤسسة وطنية أخرى.
إن جهاز التتبع الداخلي (ITk)، الذي ستتتبع مستشعراته السيليكونية الصغيرة، أو وحدات البكسل، مسارات جسيمات ما بعد الاصطدام، سيحل محل قلب ATLAS.
"يعد ITk أمرًا بالغ الأهمية للترقية ويتناسب تمامًا مع أولوية P5. قال فيليب جرينير، مدير المستوى الثاني لترقية ITk والعالم الرئيسي في SLAC، في بيان: "في حين أن معظم الأنظمة التي يتم تسليمها إلى CERN سيتم تجميعها هناك، فإن SLAC يقدم كاشف النظام الداخلي للبكسل المجمع بالكامل".
علاوة على ذلك، فإن كاشف التوقيت عالي الدقة (HGTD)، وهو كاشف فرعي جديد سيوفر بيانات توقيت دقيقة لـ ITk من أجل المساعدة في منع حالات التراكم، تم اقتراحه أيضًا من قبل مجموعة ATLAS في SLAC.
تعزيز تحليل البيانات وأنظمة التشغيل
سيساعد فريق SLAC لاحقًا في تحليل بيانات ATLAS بمجرد تشغيل HL-LHC. تم تكليف الباحثين الآن بتوسيع وتحسين استخدام الذكاء الاصطناعي لتقييم البيانات من HL-LHC بشكل أكثر فعالية. تُستخدم خوارزميات التعلم الآلي بشكل متكرر لاستخراج الأنماط من بيانات الكاشف.
ولإعادة بناء الأحداث بشكل أكثر دقة، يجب على الباحثين تطوير خوارزميات متقدمة للتعلم الآلي يمكنها تقليل التفاعلات المتراكمة حتى بعد ترقية ATLAS.
قال شوارتزمان: "سيكون العمل على تحسين خوارزميات إعادة بناء HL-LHC أمرًا أساسيًا في تمكين الإمكانات الفيزيائية الكاملة لـ HL-LHC، وهو متآزر مع عمل الكاشف".
بالإضافة إلى ذلك، تعمل مجموعة ATLAS على دمج الذكاء الاصطناعي في مراحل جمع البيانات الإضافية، مثل نظام التشغيل. سيكون هناك ما بين خمسة إلى سبعة مليارات تصادم ينتجها HL-LHC كل ثانية.
وفقًا للباحثين، فإن نظام التشغيل في ATLAS يعيد بناء الجسيمات التي تم إنشاؤها أثناء هذه الأحداث بسرعة ولكن بشكل تقريبي لتحديد الأحداث التي يجب الاحتفاظ بها والتخلص منها.
تتعاون مجموعة ATLAS مع مديرية الابتكار التكنولوجي في SLAC لمعرفة كيفية دمج الذكاء الاصطناعي فائق السرعة في أجهزة التشغيل.
قال مايكل كاجان، العالم الرئيسي في SLAC الذي يعمل على خوارزميات التعرف على الأنماط: "أحد الأشياء التي نحن متحمسون لها هو وضع الذكاء الاصطناعي بشكل صحيح على هذه الإلكترونيات ليعمل على مستوى الميكروثانية أو حتى النانو ثانية للمساعدة في خوارزميات التعرف على الأنماط. .
يعد الفريق أيضًا رائدًا في أدوات التعلم الآلي السريع لمشغل ATLAS، وهو ما يختلف عن اختيار الأحداث التقليدية. تشير الخوارزمية الجديدة إلى حالات شاذة داخل البيانات، ومن المحتمل أن تكشف النقاب عن فيزياء تتجاوز النموذج القياسي، وحتى الأحداث التي يرفضها نظام التشغيل.
وفقًا للباحثين، فإن هذا النهج يحمل وعدًا يتجاوز HL-LHC، مما قد يساعد تطبيقات مثل السيارات ذاتية القيادة وإدارة تدفق البيانات في مرافق مثل SLAC LCLS-II. تشير قدرة Fast ML على التكيف إلى آثار علمية وتكنولوجية أوسع تتجاوز أبحاث الفيزياء عالية الطاقة.