Klasično in kvantno strojno učenje za odkrivanje majhnih odstopanj v eksperimentu ATLAS

LHC eksperiment ATLAS ponuja obsežen program iskanja pojavov, ki presegajo standardni model, čeprav do danes še niso bili opaženi nobeni pomembni znaki nove fizike. V več analizah so bile sicer opažene manjše anomalije, vendar se iskanju povezav med opazovanimi manjšimi presežki v podatkih posveča le malo pozornosti. Raziskovalni predlog MATREX obravnava povezave majhnih odstopanj z obsežno reinterpretacijo 19-parametričnega fenomenološkega minimalnega supersimetričnega modela (pMSSM) na podlagi obstoječih iskanj supersimetrije v ATLAS-u. Ker so analize BSM običajno optimizirane z uporabo poenostavljenih modelov, se njihova uspešnost ocenjuje z uporabo realističnih pMSSM modelov. V študiji se obravnavajo modeli, za katere je bila v več analizah dosežena dobra občutljivost, vendar niso bili izključeni zaradi presežka v podatkih. Najprej se ustvari veliko število modelov pMSSM in se jih interpretira z uporabo obstoječih analiz. Nato se s pomočjo nenadzorovanega učenja in naprednih tehnik vizualizacije preučijo skupne značilnosti parametrov modela in končnih stanj. Poleg tega se s pomočjo nenadzorovanega učenja preučijo skupne značilnosti dogodkov v podatkih iz izborov, v katerih je bil opazen presežek. Nazadnje se prve implementacije tega kompleksnega problema preučijo z uporabo kvantnega strojnega učenja v iskanju kvantne prednosti. Te tehnično in računsko zahtevne naloge bodo imele koristi od močnega strokovnega znanja in CPU/GPU/QPU sredstev na SMASH institutih in CERN.