Equipe propõe usar IA para reconstruir caminhos de partículas que levam a uma nova física
O princípio de reconstruir os rastros de partículas secundárias com base em acertos registrados durante colisões dentro do detector MUonE. Os alvos subsequentes são marcados em ouro e as camadas do detector de silício são marcadas em azul. Crédito:IFJ PAN As partículas que colidem nos aceleradores produzem numerosas cascatas de partículas secundárias. A eletrônica que processa os sinais que chegam dos detectores tem então uma fração de segundo para avaliar se um evento é de interesse suficiente para salvá-lo para análise posterior. Num futuro próximo, esta exigente tarefa poderá ser realizada através de algoritmos baseados em IA, cujo desenvolvimento envolve cientistas do Instituto de Física Nuclear do PAS.
A eletrônica nunca teve uma vida fácil na física nuclear. Há tantos dados provenientes do Large Hadron Collider, o acelerador mais poderoso do mundo, que registá-los nunca foi uma opção. Os sistemas que processam a onda de sinais provenientes dos detectores especializam-se, portanto, no esquecimento – reconstroem os rastos das partículas secundárias numa fracção de segundo e avaliam se a colisão que acabamos de observar pode ser ignorada ou se vale a pena guardá-la para análise posterior. No entanto, os métodos atuais de reconstrução de rastros de partículas em breve não serão mais suficientes.
Pesquisa apresentada em Ciência da Computação , por cientistas do Instituto de Física Nuclear da Academia Polaca de Ciências (IFJ PAN) em Cracóvia, Polónia, sugere que as ferramentas construídas com recurso à inteligência artificial podem ser uma alternativa eficaz aos métodos atuais para a rápida reconstrução de rastos de partículas. Sua estreia poderá ocorrer nos próximos dois a três anos, provavelmente no experimento MUonE que apoia a busca por uma nova física.
Nos experimentos modernos de física de alta energia, as partículas que divergem do ponto de colisão passam por camadas sucessivas do detector, depositando um pouco de energia em cada uma. Na prática, isto significa que se o detector consiste em dez camadas e a partícula secundária passa por todas elas, o seu caminho tem de ser reconstruído com base em dez pontos. A tarefa é apenas aparentemente simples.
“Normalmente existe um campo magnético dentro dos detectores. As partículas carregadas se movem nele ao longo de linhas curvas e é assim também que os elementos detectores ativados por elas, que em nosso jargão chamamos de hits, ficarão localizados uns em relação aos outros”, explica Prof. Marcin Kucharczyk, (IFJ PAN).
"Na realidade, a chamada ocupação do detector, ou seja, o número de acertos por elemento detector, pode ser muito alto, o que causa muitos problemas ao tentar reconstruir corretamente os rastros de partículas. Em particular, a reconstrução de rastros que são próximos um do outro é um grande problema."
Experimentos projetados para descobrir uma nova física colidirão partículas com energias mais altas do que antes, o que significa que mais partículas secundárias serão criadas em cada colisão. A luminosidade dos feixes também deverá ser maior, o que por sua vez aumentará o número de colisões por unidade de tempo. Sob tais condições, os métodos clássicos de reconstrução de rastros de partículas não conseguem mais funcionar. A inteligência artificial, que se destaca onde certos padrões universais precisam ser reconhecidos rapidamente, pode vir em socorro.
"A inteligência artificial que projetamos é uma rede neural do tipo profundo. Consiste em uma camada de entrada composta por 20 neurônios, quatro camadas ocultas de 1.000 neurônios cada e uma camada de saída com oito neurônios. Todos os neurônios de cada camada estão conectados para todos os neurônios da camada vizinha, ao todo, a rede possui dois milhões de parâmetros de configuração, cujos valores são definidos durante o processo de aprendizagem”, diz o Dr. Milosz Zdybal (IFJ PAN).
A rede neural profunda assim preparada foi treinada usando 40.000 colisões de partículas simuladas, complementadas com ruído gerado artificialmente. Durante a fase de testes, apenas informações de ocorrências foram inseridas na rede. Como estas foram derivadas de simulações computacionais, as trajetórias originais das partículas responsáveis eram conhecidas com exatidão e podiam ser comparadas com as reconstruções fornecidas pela inteligência artificial. Com base nisso, a inteligência artificial aprendeu a reconstruir corretamente os rastros das partículas.
"Em nosso artigo, mostramos que a rede neural profunda treinada em um banco de dados devidamente preparado é capaz de reconstruir rastros de partículas secundárias com tanta precisão quanto os algoritmos clássicos. Este é um resultado de grande importância para o desenvolvimento de técnicas de detecção. Ao treinar um sistema neural profundo rede é um processo demorado e computacionalmente exigente, uma rede treinada reage instantaneamente. Como faz isso também com precisão satisfatória, podemos pensar com otimismo em usá-la no caso de colisões reais", enfatiza o Prof. Kucharczyk.
O experimento mais próximo em que a inteligência artificial do IFJ PAN teria a chance de provar seu valor é o MUonE (MUon ON Electron elastic scattering). Isso examina uma discrepância interessante entre os valores medidos de uma certa quantidade física relacionada aos múons (partículas que são cerca de 200 vezes mais massivas do que o elétron) e as previsões do Modelo Padrão (ou seja, o modelo usado para descrever o mundo dos partículas elementares).
Medições realizadas no centro acelerador americano Fermilab mostram que o chamado momento magnético anômalo dos múons difere das previsões do Modelo Padrão com uma certeza de até 4,2 desvios padrão (referido como sigma). Entretanto, é aceite na física que uma significância acima de 5 sigma, correspondente a uma certeza de 99,99995%, é um valor considerado aceitável para anunciar uma descoberta.
A importância da discrepância que indica uma nova física poderia ser significativamente aumentada se a precisão das previsões do Modelo Padrão pudesse ser melhorada. Porém, para melhor determinar o momento magnético anômalo do múon com seu auxílio, seria necessário conhecer um valor mais preciso do parâmetro conhecido como correção hadrônica. Infelizmente, um cálculo matemático deste parâmetro não é possível.
Neste ponto, o papel do experimento MUonE fica claro. Nele, os cientistas pretendem estudar o espalhamento de múons em elétrons de átomos com baixo número atômico, como carbono ou berílio. Os resultados permitirão uma determinação mais precisa de determinados parâmetros físicos que dependem diretamente da correção hadrônica.
Se tudo correr de acordo com os planos dos físicos, a correção hadrônica determinada desta forma aumentará a confiança na medição da discrepância entre o valor teórico e medido do momento magnético anômalo do múon em até 7 sigma – e a existência de física até então desconhecida pode se tornar uma realidade.
A experiência MUonE deverá começar nas instalações nucleares europeias do CERN já no próximo ano, mas a fase-alvo foi planeada para 2027, que é provavelmente quando os físicos de Cracóvia terão a oportunidade de ver se a inteligência artificial que criaram irá funcionar. trabalho na reconstrução de trilhas de partículas. A confirmação de sua eficácia nas condições de um experimento real poderá marcar o início de uma nova era nas técnicas de detecção de partículas.
