Investigadores del Instituto de Tecnología de Massachusetts (MIT) han desarrollado recientemente una métrica que se puede utilizar para capturar el espacio de los eventos de colisionador en función de la distancia del movimiento de la tierra (EMD), una medida utilizada para evaluar la disimilitud entre dos distribuciones de probabilidad multidimensionales. La métrica que propusieron, esbozado en un artículo publicado en Cartas de revisión física , podría permitir el desarrollo de nuevas herramientas poderosas para analizar y visualizar datos de colisionadores, que no se basan en una elección de observables.

"Nuestra investigación está motivada por una pregunta notablemente simple:¿Cuándo son similares dos colisiones de partículas?" Eric Metodiev, uno de los investigadores que realizó el estudio, dijo Phys.org. "En el Gran Colisionador de Hadrones (LHC), los protones se rompen entre sí a energías extremadamente altas y cada colisión produce un complejo mosaico de partículas. Dos eventos de colisionador pueden parecer similares, incluso si constan de diferentes números y tipos de partículas. Esto es análogo a cómo dos mosaicos pueden verse similares, incluso si se componen de diferentes números y colores de mosaicos ".

En su estudio, Metodiev y sus colegas se propusieron capturar la similitud entre los eventos de colisionadores de una manera que sea conceptualmente útil para la física de partículas. Para hacer esto, Emplearon una estrategia que fusiona ideas relacionadas con la teoría del transporte óptimo, que se utiliza a menudo para desarrollar herramientas de reconocimiento de imágenes de vanguardia, con conocimientos de la teoría cuántica de campos, una construcción que describe las interacciones fundamentales de las partículas.

"Nuestro nuevo resultado es un método cuantitativo para determinar la distancia (mediante una 'métrica') entre dos eventos de colisión, "Dijo Metodiev." Una vez que conoces la distancia entre cada par de eventos de colisionador, A continuación, puede triangular todo el espacio de datos del LHC. Esperamos que esta forma de procesar la información del LHC proporcione nuevos conocimientos sobre las interacciones fundamentales de la naturaleza ".

Esencialmente, la métrica desarrollada por los investigadores representa el "trabajo" necesario para reorganizar un evento de colisionador en otro. Se basa en el EMD, un método que se usa típicamente para desarrollar herramientas de visión por computadora que comparan las similitudes entre dos objetos o imágenes.

EDM funciona intentando reorganizar un evento en otro moviendo "suciedad, "o en este caso energías de partículas, alrededor. Típicamente, Cuanto más trabajo se requiera para realizar con éxito esta reordenación, los más dos eventos, los objetos o las imágenes son diferentes.

"La razón por la que esta noción de similitud es tan útil en la física de partículas es que se alinea con la forma en que realizamos los cálculos teóricos, "Patrick Komiske, otro investigador involucrado en el estudio, dijo Phys.org. "En la teoría cuántica de campos, no puede predecir exactamente lo que sucederá en un evento de colisión en particular, pero puede predecir la probabilidad de producir ciertos patrones de partículas de desechos. Para definir lo que quiere decir con un patrón, aunque, necesitas una noción de similitud, que resulta ser exactamente lo que proporciona nuestra métrica ".

En su papel Metodiev, Komiske y su colega Jesse Thaler aplicaron específicamente su métrica a los jets; aerosoles de partículas que comúnmente surgen de quarks y gluones de alta energía. Si bien las propiedades de los chorros individuales se han estudiado ampliamente durante las últimas cuatro décadas, su métrica permitió a los investigadores estudiar la relación entre pares de chorros, revelando así información nueva y complementaria sobre el proceso de formación del chorro.

"Tener una noción universal de similitud entre eventos es muy útil para una variedad de tareas de colisionador, ", Dijo Metodiev." Una tarea común en el LHC es clasificar diferentes tipos de colisiones, de la misma manera que clasificaría una imagen como si tuviera un gato, perro, o unicornio. Usando nuestra métrica para clasificar los chorros como derivados de un quark, gluón, o algo mas exótico, logramos un rendimiento que se acerca al de las técnicas modernas de aprendizaje automático ".

En una serie de evaluaciones, los investigadores demostraron la eficacia de su método para capturar la similitud de los eventos de colisionador. Su técnica logró resultados notables, con niveles de precisión comparables a los alcanzados por modelos de aprendizaje automático de última generación.

Además de ayudar potencialmente a los investigadores a clasificar los eventos de colisionadores, la métrica desarrollada por Metodiev y sus colegas podría usarse para visualizar los datos del colisionador de una manera completamente nueva. Tradicionalmente, en física de partículas, Los investigadores se centran en un solo atributo de una colección de eventos colisionadores (es decir, el 'bosque') o en las propiedades detalladas de un evento colisionador individual (es decir, los 'árboles'). Dado que la nueva métrica permite a los usuarios agrupar eventos de colisionadores similares, permite la observación del 'bosque' y de los 'árboles' individuales simultáneamente, mediante la identificación de eventos que capturan mejor las características principales del conjunto de datos en su conjunto.

"Además, desde una perspectiva más matemática, una vez que tienes una noción de distancia, puedes estudiar la geometría del espacio de eventos, que proporciona una nueva forma de pensar sobre los conceptos existentes en la física de colisionadores que se remontan a la década de 1970, "Añadió Metodiev." Por ejemplo, para evitar infinitos en los cálculos de la teoría cuántica de campos, simplemente hay que asegurarse de que la geometría del evento sea lo suficientemente suave, sin ningún punto singular. En el futuro, planeamos desarrollar nuevos observables y técnicas de colisionador basados ​​en esta perspectiva geométrica ".

La métrica desarrollada por Metodiev, Komiske y Thaler podrían tener numerosas aplicaciones interesantes. Incluso podría usarse para buscar irregularidades en los conjuntos de datos del LHC utilizando una estrategia conocida como detección de anomalías. lo que en última instancia podría ayudar a desenterrar nueva evidencia física.

A corto plazo, los investigadores planean usar su métrica para redescubrir aspectos conocidos del modelo estándar en el nuevo lenguaje geométrico que propusieron. Por último, sin embargo, su técnica podría revelar evidencia de la existencia de nuevas partículas o fuerzas, así como aspectos previamente desconocidos del propio modelo estándar.

"Con nuestra noción de similitud, podemos identificar no solo las configuraciones de eventos más comunes, pero también las más exóticas, y es posible que estos eventos exóticos puedan proporcionar pistas para la física más allá del modelo estándar, "Thaler dijo a Phys.org." Actualmente estamos trabajando en la evaluación comparativa de esta idea con datos de colisionadores públicos. Desde 2014, el experimento CMS en el LHC ha estado publicando subconjuntos de sus datos para uso sin restricciones, incluyendo toda la información necesaria para calcular nuestra métrica. Esto nos da la oportunidad de explorar el espacio de eventos en datos de colisionadores reales ".

© 2019 Science X Network