Фотон, который пока никто не поймал

Коллаборация Telescope Array опубликовала в Journal of Cosmology and Astroparticle Physics (статья есть в открытом доступе на arXiv.org) результаты поиска фотонов сверхвысоких энергий. Ученые проанализировали данные наземного детектора обсерватории за 14 лет и обучили нейронную сеть отличать атмосферные ливни, вызванные гамма-квантами, от ливней, порожденных протонами.

Статистически значимого избытка фотонных событий найти не удалось: число кандидатов согласуется с ожидаемым фоном. Зато ограничения на поток таких фотонов стали самыми строгими в Северном полушарии и уже приближаются к предсказаниям теоретических моделей. Почему фотон трудно отличить от протона, как нейросеть учится на симуляциях и о чем говорит отсутствие сигнала, «Ъ-Науке» рассказал один из авторов работы, старший научный сотрудник Института ядерных исследований РАН, кандидат физико-математических наук Иван Харук.

— Что такое Telescope Array и что именно он регистрирует?

— Это крупнейшая в Северном полушарии обсерватория для изучения космических лучей сверхвысоких энергий. Она находится в штате Юта, США. Наземный детектор Telescope Array состоит из 507 сцинтилляционных станций, расставленных с шагом 1,2 км, и покрывает около 700 кв. км.

Такая площадь нужна, потому что мы изучаем космические лучи самых высоких энергий — от 10¹⁸ эВ и выше. Подобных энергий не достигает ни один ускоритель, включая Большой адронный коллайдер.

Саму первичную частицу мы не видим. Она прилетает из какого-то источника — например, из активного ядра галактики,— входит в атмосферу и порождает ливень из миллиардов вторичных частиц. Часть из них долетает до поверхности Земли, и именно их регистрирует установка. По этим данным мы восстанавливаем, что к нам прилетело изначально: энергию, направление и массу первичной частицы.

— В новой работе вы искали среди первичных частиц фотоны. Почему это так важно?

— Потому что фотоны сверхвысоких энергий, от 10¹⁸ эВ и выше, до сих пор никто надежно не зарегистрировал. Самые энергичные гамма-кванты, которые удалось увидеть, имеют энергию порядка 10¹⁵ эВ — в тысячу раз меньше.

Интересны они по двум причинам. Во-первых, такие фотоны должны рождаться, пока космические лучи летят к нам. Протоны сверхвысоких энергий взаимодействуют с реликтовым излучением и теряют энергию, поэтому спектр космических лучей при самых высоких энергиях резко обрывается. Это так называемый предел Грайзена—Зацепина—Кузьмина, или ГЗК-обрезание. В таких реакциях рождаются и фотоны, причем их поток зависит от того, из чего состоят космические лучи.

Во-вторых, фотоны сверхвысоких энергий предсказываются в некоторых сценариях Новой физики, то есть физики за пределами Стандартной модели, например, распад сверхтяжелой темной материи.

Но ожидаемый поток таких фотонов очень мал, поэтому нужны огромный объем данных и очень хорошее разделение фотонных и адронных событий.

— Чем ливень от фотона отличается от ливня, вызванного протоном или ядром?

— В адронном ливне до поверхности Земли доходит много мюонов, а в фотонном их почти нет: он состоит в основном из электронов и гамма-квантов, то есть из электромагнитной компоненты. Есть и другие отличия — например, в кривизне фронта ливня,— но они выражены слабее. Ядра тяжелых элементов, например железа, дают еще больше мюонов, их отличить от фотона проще. Поэтому главный фон для нас — протоны.

— У Telescope Array есть еще и флуоресцентные детекторы. Разве с ними не проще?

— Проще. Флуоресцентные телескопы видят, как ливень развивался в атмосфере и на какой глубине в нем было больше всего частиц. По такому профилю фотонные и адронные ливни различаются гораздо надежнее. Но эти телескопы работают только ясными безлунными ночами. Наземные же детекторы работают практически круглосуточно и набирают на порядок больше событий. А когда ищешь очень редкий сигнал, крайне важен именно большой набор данных. Поэтому мы применили машинное обучение для поиска фотонов именно по данным наземного детектора.

— Но наземные станции ведь не отличают мюоны от электронов?

— Отдельно не отличают: сцинтилляторы регистрируют обе компоненты вместе. Но информация о доле мюонов в сигнале все же есть. Мюоны обычно приходят раньше и дают характерные резкие пики, поэтому временной профиль сигнала от них получается скачкообразным, а электромагнитная компонента дает более гладкий сигнал.

Традиционные алгоритмы восстанавливают по времени срабатывания станций и величине сигнала отдельные характеристики ливня — например, кривизну фронта. Но это приближенное описание, а не столь очевидные признаки вроде формы сигнала трудно заранее формализовать. Нейросеть находит их сама. Наша сеть смотрит сразу на три вещи: на картину сработавших станций, на форму сигнала в каждой из них и на параметры ливня, восстановленные стандартными методами. Лучший результат дает именно их сочетание.

— Можно ли назвать это искусственным интеллектом?

— Не в том смысле, в каком этот термин обычно употребляют сейчас. Это, конечно, машинное обучение, но наша нейросеть — специализированный инструмент для одной физической задачи. Универсальная модель благодаря своей эрудиции, может быть, что-то в таких данных и поймет. Но приблизиться к точности сети, созданной и обученной специально под эту задачу, она не сможет.

— Как обучить такую сеть, если в реальном событии вы не знаете, какая частица прилетела?

— На симуляциях. Мы моделируем ливни на компьютере методом Монте-Карло: задаем первичную частицу, ее энергию и направление, рассчитываем развитие ливня в атмосфере и отклик станций с учетом реальной геометрии установки. Получается своего рода цифровой двойник эксперимента. Для этой работы мы смоделировали 14 лет работы детектора.

Проблема в том, что симуляция не идеальна. Особенно трудно моделировать взаимодействия частиц при энергиях, недоступных ускорителям, поэтому мы использовали сразу три разные модели таких взаимодействий. К тому же в ливне рождаются миллиарды частиц, отследить каждую невозможно, и приходится использовать упрощения.

— Значит, сеть может научиться отличать не фотоны от протонов, а особенности вашей симуляции?

— Да, это одна из главных проблем машинного обучения в физике. Сеть может найти артефакт Монте-Карло, который хорошо разделяет события в симуляции, но отсутствует в реальности. Это называют доменным сдвигом: данные для обучения отличаются от тех, к которым модель применяют. Если не доказать, что предсказаниям сети на реальных данных можно доверять, вся работа остается просто упражнением.

Поэтому мы использовали доменную адаптацию — дообучили сеть на части экспериментальных данных. Фотонов среди космических лучей, если они вообще есть, крайне мало, так что события, которые сеть уверенно считает протонными, действительно можно считать адронными. Мы добавили такие события в обучающую выборку, а в итоговом подсчете их уже не использовали. После этого предсказания сети для симулированных протонов и реальных данных стали хорошо согласовываться.

Была и независимая проверка. Молнии порождают в атмосфере электромагнитные каскады, похожие на фотонные ливни, и сеть действительно отнесла события, совпавшие по времени с грозами, к фотоноподобным. Из анализа их, разумеется, исключили.

— И что показал анализ?

— Мы нашли три события, похожих на фотонные, и все они лежат у самой границы отбора. Их число согласуется с тем, сколько подобных событий должны дать обычные адронные ливни.

Развитие ливня — случайный процесс. Даже если много раз запустить в атмосферу одну и ту же частицу с той же энергией и направлением, отклик детекторов будет каждый раз заметно разным. Иногда протон в первом же столкновении передает большую часть энергии нейтральному пиону, который распадается на два фотона, и дальше ливень развивается почти как фотонный. Отличить такие события от фотонных невозможно — это неустранимый фон. Поэтому мы не можем утверждать, что фотонов нет, только что их не больше определенного количества.

— Если вы ничего не обнаружили, почему результат важен?

— Он одновременно отрицательный и положительный. Отрицательный — потому что мы пока ничего не нашли. Положительный — потому что мы существенно улучшили ограничения: при некоторых энергиях примерно втрое по сравнению с нашим предыдущим результатом.

Если бы мы увидели даже небольшое превышение числа фотонных событий над ожидаемым фоном, это было бы открытием мирового уровня: оно означало бы, что мы видим Новую физику. Сейчас в фундаментальной физике немного аномалий, которые подсказывали бы, куда двигаться дальше. Мы знаем, что темная материя существует, но не знаем ее природы; есть хаббловское напряжение (Hubble tension) — расхождение в оценках скорости расширения Вселенной, полученных разными способами. Поэтому любой сигнал о том, где именно искать Новую физику, был бы очень важен. Впрочем, и отсутствие фотонов информативно, если ограничения приближаются к предсказаниям теоретических моделей.

— Какие модели можно проверить таким образом?

— Прежде всего — сценарии с распадом сверхтяжелой темной материи. Здесь наши ограничения сопоставимы с результатами обсерватории Оже (она находится в Южном полушарии, в Аргентине), хотя из Юты не виден центр Галактики, где темной материи больше всего.

Кроме того, поиск фотонов связан с составом космических лучей. Если при самых высоких энергиях в них много протонов, то с ростом чувствительности мы должны увидеть фотоны, которые рождаются при распространении таких частиц. Наши ограничения уже подходят к верхней границе этих предсказаний, а чтобы проверить модель, лучше всего описывающую данные Telescope Array, чувствительность нужно повысить еще в несколько раз. Если фотонов по-прежнему не будет, это станет аргументом в пользу более тяжелого состава.

— Почему вопрос о составе так важен?

— Не зная, что именно к нам прилетает, невозможно понять, где источники космических лучей, что происходит с частицами по пути и каковы механизмы их ускорения до столь высоких энергий. Это один из важнейших открытых вопросов в астрофизике. Более того, результаты двух крупнейших экспериментов — Telescope Array и обсерватории Оже — при самых высоких энергиях не полностью согласуются. Определять массовый состав космических лучей — долю протонов, гелия, азота, железа при разных энергиях — мы тоже пытаемся с помощью нейросетей.

— Вы анализировали данные за 14 лет, хотя Telescope Array работает уже около 18 лет. Почему?

— Когда мы начинали, актуальный набор данных охватывал 14 лет. Вся методика отработана и проверена на нем, и переходить на новый набор в конце анализа было бы не совсем корректно.

Повторить анализ мы планируем, но скорее дождемся, когда накопится 20 лет наблюдений: разница между 14 и 18 годами не так велика. Кроме того, можно сделать сам метод чувствительнее — например, попробовать новые архитектуры нейросетей. Чем точнее мы отделяем фотоны от ядер, тем сильнее ограничения и тем больше шансов найти среди кандидатов что-то интересное.

— Какой вклад в работу внесла российская группа?

— В списке авторов вся коллаборация Telescope Array: для такого результата нужны и те, кто работает в поле с установкой, и те, кто делает симуляции и обрабатывает данные. Сам анализ по поиску фотонных событий выполнила наша группа из лаборатории обработки больших данных ИЯИ РАН. Я в основном разрабатывал и применял нейросети. Начинали мы эту задачу давно вместе с Григорием Рубцовым — он помогал с ее физической постановкой. Теоретические предсказания, с которыми мы сравниваем результат — потоки фотонов при разном составе космических лучей и в моделях распада тяжелой темной материи,— получены в работах с участием наших коллег по институту Олега Калашева и Михаила Кузнецова.

— Что в итоге будет главным критерием успеха?

— Если мы увидим статистически значимое превышение ожидаемого числа фотонных событий, это будет открытие. Если не увидим, но продолжим улучшать ограничения, то сможем исключать все больше сценариев Новой физики и лучше понимать состав космических лучей. В любом случае мы постепенно сужаем пространство возможных объяснений. В физике это тоже очень важный результат.

Работа сделана в рамках крупного научного проекта при поддержке Минобрнауки РФ.

Подготовлено при поддержке пресс-службы ИЯИ РАН