La electrónica nunca ha tenido una vida fácil en la física nuclear. Hay tantos datos provenientes del Gran Colisionador de Hadrones, el acelerador más poderoso del mundo, que registrarlos todos nunca ha sido una opción. Por eso, los sistemas que procesan las ondas de señales provenientes de los detectores se especializan en el olvido:reconstruyen las huellas de las partículas secundarias en una fracción de segundo y evalúan si la colisión recién observada puede ignorarse o si vale la pena guardarla para un análisis posterior. Sin embargo, los métodos actuales para reconstruir huellas de partículas pronto dejarán de ser suficientes.

Investigación presentada en Ciencias de la Computación , realizado por científicos del Instituto de Física Nuclear de la Academia Polaca de Ciencias (FIP PAN) en Cracovia, Polonia, sugiere que las herramientas construidas con inteligencia artificial podrían ser una alternativa eficaz a los métodos actuales para la rápida reconstrucción de pistas de partículas. Su debut podría ocurrir en los próximos dos o tres años, probablemente en el experimento MUonE que respalda la búsqueda de nueva física.

En los experimentos modernos de física de alta energía, las partículas que divergen del punto de colisión pasan a través de capas sucesivas del detector, depositando un poco de energía en cada una. En la práctica, esto significa que si el detector consta de diez capas y la partícula secundaria las atraviesa todas, su trayectoria debe reconstruirse basándose en diez puntos. La tarea es sólo aparentemente sencilla.

"En el interior de los detectores suele haber un campo magnético. Las partículas cargadas se mueven en él a lo largo de líneas curvas y así es como se ubican entre sí los elementos detectores activados por ellas, que en nuestra jerga llamamos impactos", explica Prof. Marcin Kucharczyk, (FIP PAN).

"En realidad, la llamada ocupación del detector, es decir, el número de aciertos por elemento detector, puede ser muy elevada, lo que causa muchos problemas a la hora de intentar reconstruir correctamente las pistas de partículas. En particular, la reconstrucción de pistas que están estar cerca uno del otro es todo un problema."

Los experimentos diseñados para encontrar nueva física harán colisionar partículas a energías más altas que antes, lo que significa que se crearán más partículas secundarias en cada colisión. La luminosidad de los haces también tendrá que ser mayor, lo que a su vez aumentará el número de colisiones por unidad de tiempo. En tales condiciones, los métodos clásicos de reconstrucción de huellas de partículas ya no dan resultado. La inteligencia artificial, que sobresale cuando es necesario reconocer rápidamente ciertos patrones universales, puede venir al rescate.

"La inteligencia artificial que hemos diseñado es una red neuronal de tipo profundo. Consta de una capa de entrada formada por 20 neuronas, cuatro capas ocultas de 1.000 neuronas cada una y una capa de salida con ocho neuronas. Todas las neuronas de cada capa están conectadas para todas las neuronas de la capa vecina, la red tiene dos millones de parámetros de configuración, cuyos valores se establecen durante el proceso de aprendizaje", dice el Dr. Milosz Zdybal (FIP PAN).

La red neuronal profunda así preparada se entrenó utilizando 40.000 colisiones de partículas simuladas, complementadas con ruido generado artificialmente. Durante la fase de prueba, solo se introdujo en la red información de aciertos. Como se derivaron de simulaciones por computadora, las trayectorias originales de las partículas responsables se conocían exactamente y podían compararse con las reconstrucciones proporcionadas por la inteligencia artificial. Sobre esta base, la inteligencia artificial aprendió a reconstruir correctamente las huellas de partículas.

"En nuestro artículo, mostramos que la red neuronal profunda entrenada en una base de datos adecuadamente preparada es capaz de reconstruir pistas de partículas secundarias con tanta precisión como los algoritmos clásicos. Este es un resultado de gran importancia para el desarrollo de técnicas de detección. Durante el entrenamiento de una red neuronal profunda La red es un proceso largo y exigente desde el punto de vista computacional, una red entrenada reacciona instantáneamente. Dado que lo hace también con una precisión satisfactoria, podemos pensar con optimismo en su uso en el caso de colisiones reales", destaca el profesor Kucharczyk.

El experimento más cercano en el que la inteligencia artificial de IFJ PAN podría demostrar su valía es MUonE (MUon ON Electron elastic scattering). Esto examina una discrepancia interesante entre los valores medidos de una determinada cantidad física relacionada con los muones (partículas que son aproximadamente 200 veces más masivas que el electrón) y las predicciones del modelo estándar (es decir, el modelo utilizado para describir el mundo de partículas elementales).

Las mediciones realizadas en el centro de aceleradores estadounidense Fermilab muestran que el llamado momento magnético anómalo de los muones difiere de las predicciones del modelo estándar con una certeza de hasta 4,2 desviaciones estándar (denominada sigma). Mientras tanto, en física se acepta que una significancia superior a 5 sigma, correspondiente a una certeza del 99,99995%, es un valor considerado aceptable para anunciar un descubrimiento.

La importancia de la discrepancia que indica nueva física podría aumentar significativamente si se pudiera mejorar la precisión de las predicciones del Modelo Estándar. Sin embargo, para poder determinar mejor el momento magnético anómalo del muón con su ayuda, sería necesario conocer un valor más preciso del parámetro conocido como corrección hadrónica. Desafortunadamente, no es posible realizar un cálculo matemático de este parámetro.

En este punto, queda claro el papel del experimento MUonE. En él, los científicos pretenden estudiar la dispersión de muones en los electrones de átomos con un número atómico bajo, como el carbono o el berilio. Los resultados permitirán una determinación más precisa de ciertos parámetros físicos que dependen directamente de la corrección hadrónica.

Si todo va según los planes de los físicos, la corrección hadrónica así determinada aumentará la confianza en la medición de la discrepancia entre el valor teórico y el valor medido del momento magnético anómalo del muón en hasta 7 sigma, y ​​la existencia de física hasta ahora desconocida. puede convertirse en una realidad.

El experimento MUonE comenzará en la instalación nuclear europea del CERN el próximo año, pero la fase objetivo está prevista para 2027, cuando probablemente los físicos de Cracovia tendrán la oportunidad de comprobar si la inteligencia artificial que han creado funcionará. trabajo en la reconstrucción de huellas de partículas. La confirmación de su eficacia en las condiciones de un experimento real podría marcar el comienzo de una nueva era en las técnicas de detección de partículas.