Jyväskylän yliopistossa valmistuneessa fysiikan alan väitöstutkimuksessa kehitettiin raskasionitörmäysten virtausdynaamista mallintamista ja uusia koneoppimistekniikoita simulaatioiden nopeuttamista varten. Tuloksia voidaan hyödyntää esimerkiksi hiukkasfysiikan tutkimuskeskuksen (CERN) CERN-LHC-kiihdyttimen korkean energian ydintörmäyksissä muodostuvan vahvasti vuorovaikuttavan aineen ominaisuuksien entistä tarkempaan kartoittamiseen.

Korkean energian raskasionitörmäyksissä syntyvissä hiukkassysteemeissä vallitsevat äärimmäiset olosuhteet, joissa normaalisti protoneihin ja neutroneihin sidotut kvarkit ja gluonit liikkuvat vapaasti muodostaen uudenlaista ainetta. Tämän kvarkki-gluoniplasmaksi (QGP) kutsutun aineen lämpötila on jopa 300 000 kertaa suurempi kuin auringon ytimen lämpötila. Raskasionitörmäyksissä muodostunut QGP on kuitenkin erittäin lyhytikäistä. Se jäähtyy takaisin normaaliksi aineeksi 100 miljoonaa kertaa lyhyemmässä ajassa kuin mitä valolta menee yhden mikrometrin matkaan. Siitä huolimatta QGP:n ominaisuuksia voidaan kartoittaa vertaamalla kokeellisesti mitattua dataa simulaatioiden kanssa. 

– Erityisen kiinnostava QGP:n ominaisuus on sen ominaisleikkausviskositeetti, joka kuvaa nesteen kykyä vastustaa virtausta. Mittaustulosten ja virtaussimulaatioiden vertailun perusteella voidaankin arvioida QGP:n ominaisleikkausviskositeetin olevan erittäin pieni tavallisiin nesteisiin, kuten veteen, verrattuna, selventää väitöskirjatutkija Henry Hirvonen Jyväskylän yliopistosta. 

Haasteena suuri laskenta-aika 

Vaikka QGP:n ominaisuuksia on pystytty määrittämään kohtuullisella tarkkuudella aiemminkin, on entistä paremman ymmärryksen saamiseksi tärkeää ottaa huomioon mahdollisimman monia mitattuja suureita. Tämän tekee kuitenkin haastavaksi simulaatioihin kuluva valtava laskenta-aika. 

– Valitettavasti joidenkin mittaussuureiden laskeminen virtausdynaamisesta mallista vaatii erittäin suuren määrän hitaita törmäyssimulaatioita, jotta niitä voitaisiin hyödyntää QGP:n ominaisuuksien määrittämisessä. Monesti puhutaan jopa 100 miljoonasta CPU-tunnista, kertoo Hirvonen. 

Koneoppiminen ratkaisuna 

Väitöskirjassaan Hirvonen ratkaisee laskenta-aikaongelman koneoppimisen avulla.  

– Väitöskirjani eräs päätavoitteista on ollut hitaiden simulaatioiden korvaaminen neuroverkoilla, jolloin tarvittava laskenta-aika tippuu murto-osaan aiemmasta. Tämä mahdollistaa tulevaisuudessa QGP:n ominaisuuksien määrittämisen entistäkin paremmalla tarkkuudella, Hirvonen toteaa.        

FM Henry Hirvosen teoreettisen fysiikan fysiikan väitöskirja ”Probing Properties of Quark-Gluon Plasma Using Machine Learning” tarkastetaan 6.9.2024 klo 12.00 fysiikan laitoksen luentosalissa FYS1. Vastaväittäjänä toimii professori Bjoern Schenke (Brookhaven National Laboratory, NY, USA) ja kustoksena yliopistotutkija Harri Niemi (Jyväskylän yliopisto). Väitöstilaisuuden kieli on englanti.   

Väitöskirja Probing Properties of Quark-Gluon Plasma Using Machine Learning” on luettavissa JYX-julkaisuarkistossa: https://jyx.jyu.fi/handle/123456789/96689