Brookhaven National Laboratory desarrolla un modelo de aprendizaje automático que identifica con precisión los chorros de partículas en colisiones de iones pesados.

·por Henderson·AI
Brookhaven National Laboratory desarrolla un modelo de aprendizaje automático que identifica con precisión los chorros de partículas en colisiones de iones pesados.
Puntos clave
  • Brookhaven National Laboratory ha desarrollado un modelo de aprendizaje automático que puede identificar con precisión los chorros de partículas.
  • El modelo no requiere etiquetas y aprende directamente de los datos simulados, mejorando la precisión de las mediciones.
  • Las señales de los chorros están cubiertas por partículas de fondo, lo que afecta la precisión de las mediciones.
  • El equipo planea aplicar el modelo a datos reales y expandirlo a otros experimentos.

Físicos del Brookhaven National Laboratory han desarrollado un modelo de aprendizaje automático que puede identificar automáticamente los chorros de partículas a partir de un gran ruido de fondo en colisiones de iones pesados. Este avance ayudará a mejorar la precisión de las mediciones del plasma de quarks y gluones, una sustancia que existió durante una microsegundo después del Big Bang. El equipo de Brookhaven colaboró con investigadores de la Universidad de Columbia y la Universidad de Colorado Boulder para describir este método en Scientific Reports. El laboratorio indicó que es la primera vez que se utiliza un modelo generativo "sin emparejamiento y no supervisado" en esta tarea.

El modelo aprende directamente de los datos de colisiones simuladas, en lugar de depender de etiquetas proporcionadas por los científicos.

Innovación del modelo sin etiquetas

La dificultad para observar los chorros radica en que, en el Relativistic Heavy Ion Collider (RHIC), los iones pesados colisionan a velocidades cercanas a la de la luz, recreando brevemente una "sopa" de quarks y gluones libres. Los chorros son explosiones concentradas de partículas de alta energía y son una de las mejores herramientas para detectar dicho plasma. Pierden energía y cambian de estructura al atravesar el plasma. Sin embargo, la señal de los chorros está oculta por un gran fondo de otras partículas, un problema que ha limitado durante mucho tiempo la precisión de las mediciones de los chorros. La física de Brookhaven y profesora asistente en la Universidad Stony Brook, Yen-Ju Kao, afirmó: "Mejorar la reducción de fondo puede permitir mediciones más precisas de las interacciones entre quarks y gluones en condiciones extremas.

”

Normalmente, enseñar a un algoritmo requiere etiquetar miles de ejemplos, como clasificar imágenes como gatos o perros. Sin embargo, el científico informático de Brookhaven, Dmitry Tolbuhin, señaló que los datos experimentales reales no proporcionan claves de respuesta, por lo que este enfoque no es aplicable. El nuevo modelo omite las etiquetas. Muestra el fondo puro del plasma y los chorros simulados ideales, y deduce por sí mismo cómo extraer la señal de los chorros mientras elimina el fondo. Yen-Ju Kao lo compara con dividir una imagen abarrotada en dos partes: los chorros y todo lo demás.

El equipo lo probó con datos simulados de sPHENIX, un detector que operó en las últimas tres ejecuciones del RHIC. En estas pruebas, el modelo reconstruyó con mayor precisión la ubicación, energía y estructura interna de los chorros en comparación con los métodos tradicionales de reducción de fondo, especialmente para los chorros más grandes, donde la fluctuación del fondo es más fuerte. Los resultados actuales se basan en datos simulados.

Perspectivas de aplicación futura

El siguiente paso es aplicarlo a datos reales. sPHENIX ha recopilado cerca de 300PB de datos durante su operación, lo que equivale a miles de millones de fotos de teléfonos inteligentes. Yen-Ju Kao afirmó que será la primera vez que la física nuclear y de partículas utilice un modelo de este tipo. El equipo anticipa que será aplicable a las mediciones de energía en el futuro colisionador de electrones-iones y en el Gran Colisionador de Hadrones de Europa. Dado que el modelo puede operar en datos de detectores similares, los investigadores indicaron que también podría ayudar en otros experimentos que requieren separar señales superpuestas.

Este proyecto está relacionado con la primera fase de recompensas de la misión Genesis del Departamento de Energía, liderada por el Baruch College, con la participación de Brookhaven, Stony Brook University, Columbia University y la Universidad de Colorado Boulder. La investigación orientada a la experimentación y el desarrollo de Brookhaven, así como el apoyo de la Oficina de Ciencia del Departamento de Energía, respaldaron este trabajo. Yen-Ju Kao elogió la estrecha colaboración con los científicos informáticos de Brookhaven, afirmando que no es un proyecto único, y expresó su entusiasmo por las nuevas oportunidades que presenta el aprendizaje automático en la ciencia.

El potencial del aprendizaje automático en la física de partículas

Este avance en el Brookhaven National Laboratory demuestra el potencial del aprendizaje automático en la investigación de la física de partículas, especialmente en el manejo de datos complejos. Los métodos tradicionales a menudo dependen de grandes cantidades de datos etiquetados, mientras que el enfoque de aprendizaje no supervisado del nuevo modelo puede superar efectivamente esta limitación, ofreciendo nuevas posibilidades para la medición precisa de los chorros de partículas. A medida que el modelo se aplique más, podría tener un impacto profundo en la investigación en física nuclear y de partículas, impulsando el progreso tecnológico en campos relacionados.

H
Sobre el autor
Henderson