Físicos del Brookhaven National Laboratory han desarrollado un modelo de aprendizaje automático que puede identificar automáticamente los chorros de partículas a partir del gran ruido de fondo en las 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.
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 este plasma. Pierden energía y cambian de estructura al atravesar el plasma. Sin embargo, la señal de los chorros está oculta por el ruido de fondo de muchas 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 de la Universidad Stony Brook, Yen-Ju Chen, afirmó: "Mejorar la reducción de fondo puede hacer que las mediciones de las interacciones entre quarks y gluones en condiciones extremas sean más precisas.
”
El modelo de aprendizaje automático de Brookhaven National Laboratory mejora la precisión en la identificación de chorros de partículas
Normalmente, enseñar a los algoritmos requiere etiquetar miles de ejemplos, como etiquetar imágenes como gatos o perros. Sin embargo, Dmitri Torkhov, científico informático de Brookhaven, señaló que los datos experimentales reales no proporcionan claves de respuesta, por lo que este método 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 Chen lo compara con dividir una imagen abarrotada en dos partes: los chorros y todo lo demás.
El equipo lo probó en los datos simulados de sPHENIX, un detector que operó durante las últimas tres corridas 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 chorros más grandes, donde las fluctuaciones de fondo son más fuertes. Los resultados actuales se basan en datos simulados.
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 tomadas con teléfonos inteligentes. Yen-Ju Chen indicó que será la primera vez que se utilicen modelos de este tipo en la física nuclear y de partículas. El equipo espera que sea 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 señalaron 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, la Universidad Stony Brook, la Universidad de Columbia y la Universidad de Colorado Boulder. La investigación y el desarrollo orientados a los laboratorios de Brookhaven, así como el apoyo de la Oficina de Ciencias del Departamento de Energía, respaldaron este trabajo. Yen-Ju Chen elogió la estrecha colaboración con los científicos informáticos de Brookhaven, afirmando que no es un proyecto único y que está emocionada por las nuevas oportunidades que ofrece el aprendizaje automático en la ciencia.

