Como parte de la colaboración ATLAS, los científicos del Laboratorio Nacional Argonne del Departamento de Energía de EE. UU. (DOE) y sus colegas utilizaron recientemente un enfoque de aprendizaje automático llamado detección de anomalías para analizar grandes volúmenes de datos ATLAS. El método nunca antes se había aplicado a datos de un experimento con un colisionador. Tiene el potencial de mejorar la eficiencia de la búsqueda de algo nuevo por parte de la colaboración. En la colaboración participan científicos de 172 organizaciones de investigación.

El equipo aprovechó un tipo de algoritmo de aprendizaje automático inspirado en el cerebro llamado red neuronal para buscar en los datos características anormales o anomalías. La técnica rompe con los métodos más tradicionales de búsqueda de nueva física. Es independiente de las ideas preconcebidas de los científicos y, por lo tanto, no está limitado por ellas.

Tradicionalmente, los científicos de ATLAS se han basado en modelos teóricos para guiar sus experimentos y análisis en las direcciones más prometedoras para el descubrimiento. Esto a menudo implica realizar complejas simulaciones por computadora para determinar cómo se verían ciertos aspectos de los datos de colisión según el modelo estándar.

Los científicos comparan estas predicciones del modelo estándar con datos reales de ATLAS. También los comparan con predicciones hechas por nuevos modelos físicos, como aquellos que intentan explicar la materia oscura y otros fenómenos no explicados por el Modelo Estándar.

Pero hasta ahora no se han observado desviaciones del modelo estándar en los miles de millones de colisiones registradas en ATLAS. Y desde el descubrimiento del bosón de Higgs en 2012, el experimento ATLAS aún no ha encontrado ninguna partícula nueva.

"La detección de anomalías es una forma muy diferente de abordar esta búsqueda", dijo Sergei Chekanov, físico de la división de Física de Altas Energías de Argonne y autor principal del estudio. "En lugar de buscar desviaciones muy específicas, el objetivo es encontrar firmas inusuales en los datos que están completamente inexploradas y que pueden verse diferentes de lo que predicen nuestras teorías".

Para realizar este tipo de análisis, los científicos representaron cada interacción de partículas en los datos como una imagen que se asemeja a un código QR. Luego, el equipo entrenó su red neuronal exponiéndola al 1% de las imágenes.

La red consta de alrededor de 2 millones de nodos interconectados, que son análogos a las neuronas del cerebro. Sin guía ni intervención humana, identificó y recordó las correlaciones entre píxeles en las imágenes que caracterizan las interacciones del Modelo Estándar. En otras palabras, aprendió a reconocer eventos típicos que se ajustan a las predicciones del modelo estándar.

Después del entrenamiento, los científicos alimentaron el otro 99% de las imágenes a través de la red neuronal para detectar cualquier anomalía. Cuando se le da una imagen como entrada, la red neuronal tiene la tarea de recrear la imagen utilizando su comprensión de los datos en su conjunto.

"Si la red neuronal encuentra algo nuevo o inusual, se confunde y le resulta difícil reconstruir la imagen", afirma Chekanov. "Si hay una gran diferencia entre la imagen de entrada y la salida que produce, nos permite saber que podría haber algo interesante que explorar en esa dirección".

Utilizando recursos computacionales en el Centro de Recursos de Computación del Laboratorio de Argonne, la red neuronal analizó alrededor de 160 millones de eventos dentro de los datos del LHC Run-2 recopilados entre 2015 y 2018.

Aunque la red neuronal no encontró signos evidentes de nueva física en este conjunto de datos, sí detectó una anomalía que los científicos creen que vale la pena estudiar más a fondo. La desintegración de una partícula exótica con una energía de alrededor de 4,8 teraelectronvoltios da como resultado un muón (un tipo de partícula fundamental) y un chorro de otras partículas de una manera que no encaja con la comprensión de la red neuronal sobre las interacciones del modelo estándar.

"Tendremos que investigar más a fondo", afirmó Chekanov. "Es probable que se trate de una fluctuación estadística, pero existe la posibilidad de que esta desintegración indique la existencia de una partícula no descubierta".

El equipo planea aplicar esta técnica a los datos recopilados durante el período LHC Run-3, que comenzó en 2022. Los científicos de ATLAS continuarán explorando el potencial del aprendizaje automático y la detección de anomalías como herramientas para trazar territorio desconocido en la física de partículas.

El artículo se publica en la revista Physical Review Letters. .