Zum Inhalt springen
Technische Universität München

Aktuelles

Größere Modelle für maschinelles Lernen und bessere Physik

Fundamental Forces and Cosmic Evolution, Accelerated Scientific Discovery, ORIGINS, Forschung, Physik |

ATLAS demonstriert, wie die Skalierung von KI neue Wege in der Teilchenidentifizierung eröffnet.
Bild: ATLAS / CERN

Wissenschaftlerinnen und Wissenschaftler des ATLAS-Experiments am CERN haben gezeigt, dass sogenannte Transformer-Modelle,dieselbe Familie von KI-Architekturen, die auch in heutigen großen Sprachmodellen verwendet werden, verschiedene Arten schwerer Teilchen, die bei Protonenkollisionen entstehen, hervorragend identifizieren. Die Ergebnisse bestätigen, dass die Hochenergiephysik von denselben Skalierungsgesetzen profitiert, die den Fortschritt in der KI allgemein vorantreiben: Größere Modelle, die mit mehr Daten und Rechenleistung trainiert werden, liefern systematisch bessere Ergebnisse.  

Eine neue ATLAS-Studie mit dem Titel „ Carpe Datum: Scaling behavior of transformers for heavy hadron flavor identification“, veröffentlicht am 30. Januar 2026, erweitert diese Fragestellungen auf ein bisher beispielloses Niveau. Man untersuchte, wie sich Transformer-basierte Flavor-Tagging-Modelle verhalten, wenn sowohl die Modellkapazität als auch die Datensatzgröße zunehmen – ein Ansatz, der durch aktuelle Fortschritte in der KI-Forschung möglich ist. Die Ergebnisse, die unter Mitwirkung von Dr. Nicole Hartman und Doktorand Matthias Vigl von der School of Natural Sciences (NAT) der Technischen Universität München erhalten wurden, liefern eine eindeutige Antwort: Die Leistung verbessert sich mit zunehmender Größe kontinuierlich, ohne dass bisher Anzeichen einer Sättigung erkennbar sind. 

Prof. Lukas Heinrich (NAT) erklärt, dass Transformatorarchitekturen besonders geeignet sind, die komplexen, hochdimensionalen Signale des ATLAS-Detektors zu interpretieren. Durch die Erfassung subtiler Korrelationen in den Daten von Teilchenkollisionen zeichnen sich diese Modelle durch hervorragendes Flavor-Tagging aus - die Bestimmung des Quarktyps, der einen Teilchenjet initiiert hat. Diese Möglichkeit der Erfassungit ist essenziell für Präzisionsstudien des Standardmodells, einschließlich Analysen des Higgs-Bosons und der Suche nach neuer Physik. 

Der EP-News-Artikel betont, dass Flavor-Tagging an der Schnittstelle derPhysik von sogenannten Jets und fortgeschrittenem maschinellem Lernen liegt: Jets gehören zu den häufigsten Objekten, die bei LHC-Kollisionen entstehen, und die Unterscheidung zwischen unterschiedlichen Quarktypen (z. B. Bottom-, Charm- oder leichten Quarks) erfordert ausgefeilte Mustererkennungsverfahren. Transformatorbasierte Ansätze ermöglichen es ATLAS, über traditionelle, manuell entwickelte Algorithmen hinauszugehen und einheitliche, durchgängige Modelle des maschinellen Lernens zu entwickeln, die grundlegende Detektorinformationen direkt verarbeiten. 

Da sich das CERN auf den High Luminosity Large Hadron Collider (HL-LHC) vorbereitet, der um Größenordnungen mehr Kollisionsdaten liefern wird, werden diese skalierbaren KI-Techniken unverzichtbar. Größere Datensätze und höhere Ereignisraten erfordern Modelle, die mit der wachsenden Komplexität der Detektorumgebung Schritt halten können. Prof. Heinrich merkt an, dass die laufenden Arbeiten innerhalb von ATLAS zur Integration fortschrittlicher KI-Modelle in Rekonstruktions- und Datenverarbeitungs-Workflows nicht nur notwendig, sondern strategisch bedeutsam sind.  

Insgesamt verdeutlicht diese neue Studie, wie sich Spitzentechnologie im Bereich KI und Hochenergiephysik zunehmend gegenseitig verstärken. Indem ATLAS das Skalierungsverhalten transformatorbasierter Flavor-Tagging-Modelle demonstriert, eröffnet es den Weg für leistungsfähigere und vielseitigere Analysewerkzeuge, die die wissenschaftliche Strahlkraft des LHC in den kommenden Jahren definieren werden. 

 

Weitere Informationen und Links 

 

Publikationen 

 

Kontakt zum Artikel 

Prof. Lukas Heinrich 
Data Science in Physics Laboratory 
https://www.decodingnature.com/  
l.heinrich@tum.de 
+49 89 35831-7141  

 

Pressekontakt  
communications@nat.tum.de 
Team-Website 

◄ Zurück zu: Aktuelles
To top