Как CERN находит редкие события среди миллиардов столкновений
Физики CERN отделяют редкие события от фона с помощью многоступенчатого отбора: сначала аппаратный триггер за микросекунды отбрасывает большинство столкновений по грубым признакам, затем программный триггер и офлайн-анализ уточняют кандидатов. Записывают лишь несколько тысяч событий в секунду из десятков миллионов, а окончательно редкий сигнал выделяют статистически — по избытку событий над предсказанным фоном.
Почему редкие события тонут в потоке столкновений LHC
На Большом адронном коллайдере (LHC) частицы сталкиваются с частотой порядка десятков миллионов раз в секунду. Детекторы ATLAS и CMS фиксируют каждый такой акт, но записать все данные на диск невозможно: пропускная способность систем хранения и обработки ограничена несколькими тысячами событий в секунду. Разница в тысячи раз — главная причина, по которой нужен отбор в реальном времени.
Интересующий физиков процесс встречается крайне редко. Например, рождение бозона Хиггса — примерно один раз на миллиард столкновений. При частоте 40 млн столкновений в секунду такое событие происходит в среднем раз в 25 секунд. Но помимо него есть множество фоновых процессов с похожими сигнатурами, поэтому задача — не просто дождаться редкого события, а надёжно отличить его от фона.
Триггерная система: как отбор происходит в реальном времени
Триггер — это многоуровневый фильтр, который решает, какие события сохранить. Первый уровень (аппаратный, Level-1) работает на специальных платах за микросекунды. Он использует грубые критерии: наличие частицы с высоким поперечным импульсом (энергия, поперечная направлению пучка), большая суммарная энергия, зафиксированная калориметрами, или множественность струй. После первого уровня остаётся примерно 1 из 400 событий — около 100 тысяч в секунду.
Второй уровень (High-Level Trigger, HLT) — это ферма процессоров, которая за миллисекунды применяет более сложные алгоритмы, близкие к офлайн-реконструкции. HLT отбирает ещё примерно 1 из 100 прошедших событий, оставляя около 1000 в секунду для записи. Каждый шаг сужает поток, чтобы следующий мог позволить себе более дорогой анализ.
Важно, что триггер не идеален: он может потерять часть сигнальных событий. Эффективность триггера — долю сохраняемых событий данного типа — измеряют на контрольных выборках и учитывают в итоговом анализе. Если эффективность для сигнала, скажем, 90%, это значит, что 10% полезных событий отброшено, и при интерпретации результатов это поправка.
Реконструкция событий: от сырых сигналов детектора к физическим объектам
Записанные события содержат «сырые» сигналы: срабатывания пиксельных и стриповых детекторов, энерговыделение в калориметрах, треки в мюонных камерах. Чтобы получить физические объекты — электроны, мюоны, струи, недостающую поперечную энергию — применяют реконструкцию. Алгоритмы строят траектории заряженных частиц, определяют вершины их рождения и распада, объединяют энерговыделение в кластеры.
На этом этапе подавляют фон: например, требуют, чтобы лептон был изолирован (вокруг него мало других частиц), или чтобы вершина распада была смещена от точки столкновения — это признак распада долгоживущей частицы. Реконструкция — сложный процесс, и её качество проверяют на известных процессах.
Отбор кандидатов и подавление фона в анализе
После реконструкции физики определяют сигнальные области — наборы критериев, при которых ожидается наибольшее отношение сигнала к фону. Например, для поиска распада бозона Хиггса на два фотона отбирают события с двумя изолированными фотонами с определёнными энергиями и углами. Фон моделируют с помощью симуляций Монте-Карло и контрольных областей — выборок с ослабленными критериями, где сигнал пренебрежимо мал, но фон можно измерить по данным.
Всё чаще применяют машинное обучение: алгоритмы классифицируют события по многим признакам, повышая чувствительность. Но при этом важно избегать переобучения — ситуации, когда модель запоминает особенности обучающей выборки и плохо работает на новых данных. Поэтому проверяют стабильность результатов на независимых наборах.
Статистика: как отличить открытие от случайной флуктуации
Даже после отбора сигнал выглядит как небольшой избыток событий над фоном. Чтобы заявить об открытии, нужно убедиться, что этот избыток не случаен. Используют статистическую значимость, выражаемую в сигмах (σ). Она показывает, на сколько стандартных отклонений наблюдение отличается от ожидаемого фона. Порог в 5σ означает, что вероятность случайной флуктуации фона, дающей такой избыток, меньше примерно 1 на 3,5 миллиона. Для «указания» на новый процесс часто достаточно 3σ.
При поиске в широком диапазоне масс возникает эффект «look-elsewhere»: чем больше мест, где мы ищем, тем выше шанс случайно найти флуктуацию. Поэтому различают локальную значимость (в конкретной точке) и глобальную (с поправкой на все поиски). Открытие требует, чтобы глобальная значимость превышала 5σ.
Ограничения метода и как CERN проверяет результаты
Редкое событие легко принять за артефакт. Систематические неопределённости — калибровка детектора, точность измерения светимости (luminosity — число столкновений в секунду на единицу площади), теоретические предсказания фона — могут сместить результат. Поэтому коллаборации проводят независимые проверки: анализируют данные разными методами, сравнивают результаты ATLAS и CMS, публикуют внутренние рецензии.
Формулировки в статьях CERN строги: «наблюдение» означает значимость выше 5σ, «указание» — от 3σ до 5σ. Прежде чем объявить об открытии, результат должен пройти многократные проверки и быть опубликован в рецензируемом журнале.
Что это значит для читателя: как следить за новостями об открытиях
Читая новость об открытии на LHC, обратите внимание на несколько деталей. Во-первых, какова статистическая значимость: если меньше 5σ, это скорее «указание», а не открытие. Во-вторых, какой объём данных использован и какой эксперимент (ATLAS или CMS) получил результат. В-третьих, опубликована ли статья в рецензируемом журнале или это препринт. Эти признаки помогут отличить сенсацию от серьёзного научного результата.
Для углублённого изучения обращайтесь к первоисточникам: страницам экспериментов ATLAS и CMS, а также к CERN Document Server, где выкладываются препринты и статьи. Сравнивайте заявления разных коллабораций — совпадение результатов повышает доверие.
Пример: сколько событий нужно для открытия
Представим учебную ситуацию: детектор фиксирует 40 млн столкновений в секунду, а записать может 1000 событий в секунду. Доля сохранённых — 1/40 000. Если сигнал встречается раз на 10 млрд столкновений, то при 40 млн в секунду его ждут в среднем 250 секунд (около 4 минут). Если триггер теряет 10% таких сигналов, эффективное время ожидания растёт до 4,5 минут. Понимание этих чисел помогает интерпретировать, сколько кандидатов ожидается в анализе.
Вопросы читателей
Почему нельзя просто записать все столкновения и потом обработать? Потому что объём данных слишком велик: десятки миллионов событий в секунду привели бы к петабайтам в день, а системы хранения и обработки не справятся. Отбор в реальном времени неизбежен.
Что такое «сигнатура» редкого события? Это характерный набор частиц и их свойств, который ожидается от искомого процесса. Например, для распада бозона Хиггса на два фотона сигнатура — два изолированных фотона с высокой энергией.
Может ли машинное обучение заменить физиков? Нет, оно помогает классифицировать события, но требует тщательной проверки и понимания физики. Решения об открытиях принимают на основе статистического анализа и теоретических моделей.
Как часто происходят ложные открытия? Благодаря порогу 5σ и перекрёстным проверкам ложные открытия редки, но случаются. Например, в 2015 году ATLAS и CMS сообщили о возможном дифотонном избытке при массе около 750 ГэВ, который позже не подтвердился на большем объёме данных.