Naukowcy z kolaboracji pracującej przy Large Hadron Colliderze opracowali ORCA, dwuetapową metodę do detekcji anomalii w danych koliderowych, która znacząco poprawia interpretowność wyników. Pierwsza faza uczy osadzoną przestrzeń poprzez supervised contrastive learning na różnorodnych procesach fizycznych, a druga faza uruchamia autoencoder w tej przestrzeni, generując anomalność zdarzeń na poziomie całych interakcji.
Prawidłowe interpretowanie wyników jest kluczowe dla fizyki eksperymentalnej, gdzie naukowcy szukają nowych sygnałów fizyki poza standardowym modelem. Tradycyjne podejścia z autoenkoderami generują anomalnośćScore'i, ale trudno zrozumieć, dlaczego dane zdarzenie zostało zaklasyfikowane jako anomalię. ORCA rozwiązuje ten problem, ponieważ znane procesy fizyczne zajmują wyraźne regiony w osadzonej przestrzeni, umożliwiając dopasowanie maksymalnego prawdopodobieństwa. To pozwala przypisać anomalne zdarzenia do konkretnych procesów fizycznych z ilościową oceną niepewności.
Na symulowanych danych zgodnych z warunkami High-Luminosity Large Hadron Collider, ORCA wykazuje znaczące zyski zarówno w szerokości, jak i głębokości czułości na nowe sygnały fizyczne w porównaniu z bazowymi architekturami autoenkoderów. Metoda dokładnie odzyskuje wstrzykiwane ilości sygnałów, nawet dla sygnałów wykluczonych z trenowania osadzenia, i charakteryzuje sygnały nieobecne w bibliotece szablonów poprzez znane procesy, które najbardziej przypominają. Wyniki potwierdzają potencjał ORCA jako narzędzia do interpretownych poszukiwań opartych na detekcji anomalii przy koliderach.