Pesquisadores do Instituto de Tecnologia de Massachusetts (MIT) desenvolveram recentemente uma métrica que pode ser usada para capturar o espaço de eventos do colisor com base na distância do movedor de terra (EMD), uma medida usada para avaliar a dissimilaridade entre duas distribuições de probabilidade multidimensionais. A métrica que eles propuseram, descrito em um artigo publicado em Cartas de revisão física , pode permitir o desenvolvimento de novas ferramentas poderosas para analisar e visualizar os dados do colisor, que não dependem de uma escolha de observáveis.

"Nossa pesquisa é motivada por uma questão extremamente simples:quando duas colisões de partículas são semelhantes?" Eric Metodiev, um dos pesquisadores que realizou o estudo, disse a Phys.org. "No Grande Colisor de Hádrons (LHC), prótons são esmagados juntos com energias extremamente altas e cada colisão produz um complexo mosaico de partículas. Dois eventos de colisor podem ser semelhantes, mesmo se consistirem em diferentes números e tipos de partículas. Isso é análogo a como dois mosaicos podem ser semelhantes, mesmo que sejam compostos por diferentes números e cores de ladrilhos. "

Em seu estudo, Metodiev e seus colegas se propuseram a capturar a similaridade entre os eventos do colisor de uma forma que seja conceitualmente útil para a física de partículas. Para fazer isso, eles empregaram uma estratégia que mescla idéias relacionadas à teoria de transporte ideal, que muitas vezes é usado para desenvolver ferramentas de reconhecimento de imagem de ponta, com insights da teoria quântica de campos, uma construção que descreve interações de partículas fundamentais.

"Nosso novo resultado é um método quantitativo para determinar a distância (por meio de uma 'métrica') entre dois eventos de colisão, "Metodiev disse." Depois de saber a distância entre cada par de eventos de colisor, você pode então triangular todo o espaço de dados do LHC. Esperamos que esta forma de processamento de informações do LHC produza novos insights sobre as interações fundamentais da natureza. "

Essencialmente, a métrica desenvolvida pelos pesquisadores representa o 'trabalho' necessário para reorganizar um evento colisor em outro. É baseado no EMD, um método que normalmente é usado para desenvolver ferramentas de visão por computador que comparam as semelhanças entre dois objetos ou imagens.

EDM funciona tentando reorganizar um evento em outro movendo "sujeira, "ou, neste caso, energias de partículas, por aí. Tipicamente, mais trabalho é necessário para realizar com sucesso este rearranjo, os mais dois eventos, objetos ou imagens são diferentes.

"A razão pela qual essa noção de similaridade é tão útil na física de partículas é que ela se alinha com a forma como realizamos cálculos teóricos, "Patrick Komiske, outro pesquisador envolvido no estudo, disse a Phys.org. "Na teoria quântica de campos, você não pode prever exatamente o que vai acontecer em qualquer evento de colisão em particular, mas você pode prever a probabilidade de produzir certos padrões de fragmentos de partículas. Para definir o que você entende por padrão, no entanto, você precisa de uma noção de semelhança, que acaba sendo exatamente o que nossa métrica fornece. "

Em seu jornal, Metodiev, Komiske e seu colega Jesse Thaler aplicaram especificamente sua métrica a jatos; sprays de partículas que normalmente surgem de quarks e glúons de alta energia. Embora as propriedades de jatos individuais tenham sido estudadas extensivamente nas últimas quatro décadas, sua métrica permitiu aos pesquisadores estudar a relação entre pares de jatos, revelando assim informações novas e complementares sobre o processo de formação do jato.

"Ter uma noção universal de semelhança entre eventos é muito útil para uma variedade de tarefas de colisor, ", Disse Metodiev." Uma tarefa comum no LHC é classificar os diferentes tipos de colisões, da mesma forma que classificaria uma imagem como contendo um gato, cão, ou unicórnio. Usando nossa métrica para classificar jatos como decorrentes de um quark, gluon, ou algo mais exótico, alcançamos um desempenho que se aproxima das técnicas modernas de aprendizado de máquina. "

Em uma série de avaliações, os pesquisadores demonstraram a eficácia de seu método em capturar a similaridade dos eventos do colisor. A técnica deles alcançou resultados notáveis, com níveis de precisão comparáveis ​​aos obtidos por modelos de aprendizado de máquina de última geração.

Além de potencialmente ajudar os pesquisadores a classificar eventos de colisor, a métrica desenvolvida por Metodiev e seus colegas poderia ser usada para visualizar os dados do colisor de uma maneira totalmente nova. Tradicionalmente, em física de partículas, os pesquisadores se concentram em um único atributo de uma coleção de eventos do colisor (ou seja, a 'floresta') ou nas propriedades detalhadas de um evento individual do colisor (ou seja, as 'árvores'). Uma vez que a nova métrica permite que os usuários agrupem eventos colisor semelhantes, permite a observação da 'floresta' e 'árvores' individuais simultaneamente, identificando os eventos que melhor capturam as principais características do conjunto de dados como um todo.

"Além disso, de uma perspectiva mais matemática, uma vez que você tem uma noção de distância, você pode estudar a geometria do espaço de eventos, que fornece uma nova maneira de pensar sobre os conceitos existentes na física do colisor que remontam à década de 1970, "Metodiev acrescentou." Por exemplo, para evitar infinitos nos cálculos da teoria quântica de campos, basta garantir que a geometria do evento seja suficientemente suave, sem quaisquer pontos singulares. No futuro, planejamos desenvolver novos observáveis ​​e técnicas de colisor com base nessa perspectiva geométrica. "

A métrica desenvolvida por Metodiev, Komiske e Thaler podem ter inúmeras aplicações interessantes. Pode até ser usado para pesquisar irregularidades em conjuntos de dados do LHC usando uma estratégia conhecida como detecção de anomalias, o que poderia ajudar a descobrir novas evidências físicas.

A curto prazo, os pesquisadores planejam usar sua métrica para redescobrir aspectos conhecidos do modelo padrão na nova linguagem geométrica que propuseram. Em última análise, Contudo, sua técnica pode revelar evidências da existência de novas partículas ou forças, bem como aspectos previamente desconhecidos do próprio modelo padrão.

"Com a nossa noção de semelhança, podemos identificar não apenas as configurações de eventos mais comuns, mas também os mais exóticos, e é possível que esses eventos exóticos possam fornecer dicas para a física além do modelo padrão, "Thaler disse ao Phys.org." Atualmente, estamos trabalhando para comparar essa ideia com dados públicos de colisor. Desde 2014, o experimento CMS no LHC tem liberado subconjuntos de seus dados para uso irrestrito, incluindo todas as informações necessárias para calcular nossa métrica. Isso nos dá a oportunidade de explorar o espaço de eventos em dados reais do colisor. "

© 2019 Science X Network