Präzise und schnelle Modellvorhersage mit maschinellem Lernen - NETRIUM

Projektbeschreibung

Das KATRIN-Experiment ist darauf ausgelegt, die Neutrino-Masse mit einer Empfindlichkeit von 0,2 eV bei einem Konfidenzniveau von 90 % zu messen. Zu diesem Zweck führt es eine hochpräzise Messung des Tritium-Beta-Zerfallsspektrums nahe dem Endpunkt durch, wo sich die Neutrino-Masse als spektrale Verzerrung manifestiert. Um die Neutrino-Masse aus den Daten abzuleiten, ist ein präzises Modell des Spektrums erforderlich. Um zudem mehrere Datensätze mit sowohl korrelierten als auch unkorrelierten systematischen Unsicherheiten gleichzeitig analysieren zu können, muss die Modellvorhersage sehr schnell erfolgen. Die für die ersten beiden KATRIN-Datenveröffentlichungen verwendete numerische Berechnung reicht jedoch nicht aus, um diese Anforderung zu erfüllen.

Um diesen Prozess zu beschleunigen, haben wir im Rahmen des NETRIUM-Projekts ein Modell für maschinelles Lernen entwickelt, das das gesamte Tritiumspektrum als Funktion relevanter physikalischer Parameter mit extrem hoher Genauigkeit und drastisch verkürzter Laufzeit vorherzusagen vermag. Der Schlüssel zur Erreichung der erforderlichen Leistungsfähigkeit lag darin, das neuronale Netzwerk die Abhängigkeit der gesamten Spektralform von den relevanten Eingabeparametern lernen zu lassen, genauer gesagt, die spektralen Veränderungen relativ zum Mittelwertspektrum. Zu diesem Zweck verwenden wir die Werte der physikalischen Parameter, wie beispielsweise die Neutrino-Masse im Quadrat oder die Magnetfeldeinstellungen, als Eingabe und die (relative) Rate des gesamten KATRIN-Spektrums an allen Datenpunkten als Ausgabe. Unser neuronales Netzwerk reproduziert Spektralvorhersagen mit einer Genauigkeit von 10⁻⁴ und beschleunigt gleichzeitig die Berechnungen um mindestens drei Größenordnungen.

Ergebnisse

• Entwicklung eines vollständigen neuronalen Netzmodells zur Vorhersage des Tritium-Beta-Zerfalls-Spektrums von KATRIN.
• Erreichung einer Genauigkeit im Bereich von einem Zehntausendstel (~10⁻⁴), was den Anforderungen an die Empfindlichkeit bei der Neutrino-Masse entspricht.
• Reduzierung der Rechenzeit um mindestens drei Größenordnungen im Vergleich zu früheren analytischen Methoden.
• Ermöglichung eines vollständigen Lernprozesses der Spektralform durch die Bereitstellung physikalischer Parameter als Eingaben sowie vollständiger Vorhersagen der relativen Raten als Ausgaben.
• Etablierung der Methode als neuen Standard für künftige KATRIN-Analysen, einschließlich Suchvorgänge jenseits des Standardmodells.
• Initiierung einer aktiven Zusammenarbeit zwischen Physik- und Informatikgruppen, um ML-Techniken auf andere hochpräzise Experimente auszuweiten.

Weitere Schritte

Diese Methode stellt einen bedeutenden Durchbruch in der Datenanalyse von KATRIN dar. Sie wird bei allen künftigen Analysen der Neutrino-Masse sowie bei der Suche nach Physik jenseits des Standardmodells anhand von KATRIN-Daten eingesetzt. Darüber hinaus trug der Erfolg von NETRIUM dazu bei, eine umfassendere theoretische Untersuchung hochpräziser, auf maschinellem Lernen basierender Modellierung sowie die Erforschung der Anwendbarkeit dieser Methoden auf andere hochpräzise physikalische Experimente anzustoßen.