Leren van hadron‑uitzendingsbronnen met diepe neurale netwerken

Inzoomen op minieme kosmische vuurwerkjes

Wanneer protonen bijna met de snelheid van het licht op elkaar botsen, ontstaat een kleine, kortstondige vuurbol van nieuwe deeltjes. Verborgen in deze subatomaire uitbarsting ligt informatie over een van de meest fundamentele krachten van de natuur: de sterke kracht die materie bijeenhoudt. Dit artikel toont hoe moderne technieken uit deep learning subtiele patronen in gegevens van deze botsingen kunnen ontcijferen om te onthullen waar en hoe de deeltjes worden geboren — en levert zo nieuwe aanwijzingen over het gedrag van materie in extreme omgevingen zoals neutronensterren.

Waarom minieme afstanden ertoe doen

De sterke kernkracht bindt protonen en neutronen in atomaire kernen en bepaalt alles, van gewone atomen tot de dichte kernen van dode sterren. Fysici hebben de kracht tussen twee protonen redelijk goed in kaart gebracht met decennia aan verstrooiingsexperimenten en theoretische modellen. Interacties met meer exotische deeltjes, zoals hyperons (die vreemde quarks bevatten), blijven echter veel onzekerder. Deze zeldzame deeltjes zijn moeilijk rechtstreeks te bestuderen, terwijl ze een buitenproportionele invloed hebben op het gedrag van materie bij extreme dichtheden. Om meer over hen te weten te komen, wenden onderzoekers zich tot hoogenergetische botsingen in versnellertorens, waar vluchtige deeltjesparen in overvloed worden geproduceerd.

Quantumrimpels gebruiken als microscoop

In deze experimenten zien wetenschappers de geboorteplaatsen van de deeltjes niet rechtstreeks. In plaats daarvan meten ze hoe vaak deeltjesparen verschijnen met verschillende relatieve impulsen — in wezen hoe sterk hun trajecten gecorreleerd zijn. Een techniek die femtoscopie wordt genoemd, geïnspireerd door een idee uit de radioastronomie, koppelt deze correlaties aan zowel de krachten tussen de deeltjes als de vorm van het gebied waaruit ze worden uitgezonden. Traditioneel gingen analyses ervan uit dat dit emissiegebied eruitzag als een glad, klokvormig wolkje. Eerdere studies wezen echter al op een rommeligere werkelijkheid: vervallen van kortlevende tussenliggende toestanden kan lange “staarten” ver van het centrum creëren, wat betekent dat de werkelijke bron ver af kan wijken van een klokvorm.

Het dataplaatje zélf laten tekenen

De auteurs bouwen een nieuwe, op data gebaseerde methode om het emissiegebied af te leiden zonder diens vorm van tevoren aan te nemen. Ze vertrekken vanuit goed geteste modellen van de proton–protonkracht en gebruiken die om te berekenen hoe een hypothetische bron de geobserveerde correlaties zou beïnvloeden. In plaats van een eenvoudige formule voor de bron te kiezen, geven ze die vorm via een diep neuraal netwerk dat afstand als invoer neemt en de waarschijnlijkheid uitstuurt dat een protonpaar op die scheiding ontstaat. Door automatisch te differentiëren door de volledige berekening passen ze de interne parameters van het netwerk aan zodat de voorspelde correlatiecurve zo dicht mogelijk bij de experimentele metingen ligt, terwijl ze basisfysische eisen zoals gladheid en niet‑negativiteit afdwingen.

Een geboorteplaats met lange staart vinden

Wanneer deze door een neuraal netwerk bepaalde bron wordt vergeleken met het conventionele klokvormige model, levert hij een dramatisch betere beschrijving van de proton–protoncorrelatiegegevens van de Large Hadron Collider. De teruggewonnen bron heeft een uitgesproken langeafstandsstaart: de meeste protonen worden nog steeds in een compact centraal gebied geboren, maar een aanzienlijk deel lijkt van veel grotere afstanden te komen. Dit patroon past natuurlijk bij het idee dat veel protonen indirect worden gecreëerd, via kortlevende resonanties die een afstand afleggen voordat ze vervallen. Cruciaal is dat het netwerk deze structuur rechtstreeks uit de data onthult, zonder dat de onderzoekers hoeven te raden welke resonanties betrokken zijn of hoeveel ervan bestaan.

Raar materiaal onderzoeken met een nieuwe lens

Aangezien hyperons en protonen vergelijkbaar zijn in massa en quark‑samenstelling, kan het team het geleerde protonemissietraject hergebruiken om proton–hyperonparen te analyseren. Door de data‑gedreven bron te combineren met een model voor de proton–Lambda‑kracht, vinden ze dat de experimentele correlaties een relatief ondiepe aantrekking voorstellen — in overeenstemming met vroege resultaten van eerst‑principes lattice‑simulaties van quantumchromodynamica. Deze aanpak biedt daarmee een nieuwe, grotendeels aannamevrije manier om slecht bekende interacties in de sterke sector te beperken. Simpel gezegd laat de studie zien dat deep learning subtiele quantumrimpels kan omzetten in een helder beeld van waar de deeltjes worden geboren, waarmee ons zicht op de sterke kracht wordt verscherpt en de weg wordt vrijgemaakt voor toekomstige driedimensionale kaarten van het deeltjes‑uitzendgebied in zware‑ionenbotsingen.

Bronvermelding: Wang, L., Zhao, J. Learning hadron emitting sources with deep neural networks. Commun Phys 9, 90 (2026). https://doi.org/10.1038/s42005-026-02530-w

Trefwoorden: sterke kernkracht, deep learning, hoogenergetische botsingen, femtoscopie, hyperon‑nucleon interactie