Científicos de la Escuela Superior de Economía han desarrollado un método que permite a los físicos del Gran Colisionador de Hadrones (LHC) separar varios tipos de partículas elementales con un alto grado de precisión. Los resultados fueron publicados en el Revista de física .

Uno de los principales problemas sin resolver de la física moderna es el predominio de la materia sobre la antimateria en el universo. Ambos se formaron un segundo después del Big Bang, en fracciones presumiblemente iguales, y los físicos están tratando de comprender dónde ha desaparecido la antimateria. En 1966, El científico ruso Andrei Sakharov sugirió que el desequilibrio entre la materia y la antimateria apareció como resultado de la violación del CP, es decir., una asimetría entre partículas y antipartículas. Por lo tanto, sólo quedaron partículas después de su aniquilación (destrucción mutua) de las contribuciones desequilibradas resultantes.

El experimento de belleza del Gran Colisionador de Hadrones (LHCb) estudia partículas inestables llamadas mesones B. Sus desintegraciones demuestran la asimetría más clara entre materia y antimateria. El LHCb consta de varios detectores especializados, específicamente, calorímetros para medir la energía de partículas neutras. Los calorímetros también identifican diferentes tipos de partículas. Estos se realizan mediante la búsqueda y análisis de los correspondientes grupos de deposición de energía. Está, sin embargo, No es fácil separar señales de dos tipos de fotones:fotones primarios y fotones de desintegración energética del mesón π0. Los científicos de HSE desarrollaron un método para clasificar estos dos con alta precisión.

Los autores del estudio aplicaron redes neuronales artificiales y aumento de gradiente (un algoritmo de aprendizaje automático) para clasificar las energías recolectadas en las células individuales del grupo de energía.

"Tomamos una matriz de cinco por cinco con un centro en la celda del calorímetro con la mayor energía, "dice Fedor Ratnikov, uno de los autores del estudio y un investigador líder en el Laboratorio de Métodos de HSE para Análisis de Big Data. "En lugar de analizar las características especiales construidas a partir de energías brutas en células de racimo, pasamos estas energías brutas directamente al algoritmo para su análisis. La máquina fue capaz de dar sentido a los datos mejor que una persona ".

En comparación con el método anterior de preprocesamiento de datos, El nuevo método basado en aprendizaje automático ha cuadriplicado las métricas de calidad para la identificación de partículas en el calorímetro. El algoritmo mejoró la calidad de clasificación de 0,89 a 0,97; cuanto mayor sea esta cifra, mejor funciona el clasificador. Con una tasa de efectividad del 98 por ciento en la identificación inicial de fotones, el nuevo enfoque ha reducido la tasa de identificación de fotones falsos del 60 por ciento al 30 por ciento.

El método propuesto es único en el sentido de que permite identificar partículas elementales sin estudiar inicialmente las características del cúmulo que se analiza. "Pasamos los datos al aprendizaje automático con la esperanza de que el algoritmo encuentre correlaciones que quizás no hayamos considerado. El enfoque obviamente funcionó en este caso, ", Concluye Fedor Ratnikov.