Representación artística de los procesos que se producen en las colisiones de partículas y que serán procesados por una red neuronal artificial. Imagen: CERN.
La Colaboración CMS, uno de los principales experimentos del Gran Colisionador de Hadrones (LHC) del CERN, ha desarrollado una red neuronal artificial para buscar e identificar nuevas partículas.
Las redes neuronales artificiales se inspiran en el funcionamiento cerebral para desarrollos computacionales: descubren y aprenden patrones que se producen en un conjunto de datos.
Básicamente, son un conjunto de neuronas artificiales o circuitos electrónicos que están conectados entre sí para transmitirse señales.
La información que atraviesa estos circuitos se somete a diversas operaciones para conseguir que un ordenador, por ejemplo, identifique a un gato en una foto.
Consigue esta identificación de la misma manera que lo hace el cerebro humano, aunque basándose en una abstracción mucho más sofisticada.
Las redes neuronales aprenden y se forman a sí mismas, sin necesidad de intervención humana, y son óptimas para obtener resultados difíciles de alcanzar con la programación informática convencional.
Óptimas para las partículas
La teoría matemática que sustenta las redes neuronales artificiales ha evolucionado durante varias décadas, pero solo recientemente ha sido posible entrenarlas de manera eficiente.
Las redes neuronales artificiales, que se han usado para conducir automóviles, realizar reconocimiento de voz, sugerir artículos de consumo, o mejorar efectos visuales en películas, también han desembarcado en el campo de la física de altas energías.
La física de altas energías, que se produce por ejemplo en los aceleradores de partículas, persigue una visión completa de las interacciones entre las partículas elementales y su conexión con el Universo temprano.
Las redes neuronales artificiales se han utilizado durante décadas en este campo de la física, pero sus recientes avances, como las redes neuronales profundas (DNN), están precipitando nuestra aproximación a los secretos más recónditos del universo.
La DNN es una Red Neuronal Artificial con múltiples capas ocultas que le permiten modelar relaciones complejas no lineales o caóticas, típicas de las interacciones que se producen entre las partículas elementales.
Útiles para partículas exóticas
Esta característica es especialmente práctica para un cometido concreto: la búsqueda de nuevas partículas "exóticas" que el modelo estándar de la física no predice.
Este modelo estándar explica casi todas las observaciones del universo, pero tiene lagunas que tal vez puedan resolverse si fuéramos capaces de observar partículas ignotas.
Después de búsquedas infructuosas de esas partículas que faltan, los físicos se han concentrado en los entresijos de las partículas fugaces que se generan en los colisionadores.
Se trata de partículas indetectables que solo existen durante muy poco tiempo antes de descomponerse en partículas conocidas.
La suposición de los físicos es que no interactúan con la materia ordinaria y que por ello son indetectables.
Vivirían en un subterfugio de la materia que escapa a la capacidad de percepción de los instrumentos de medición.
Los algoritmos estándar utilizados para interpretar los datos de las colisiones protón-protón no están diseñados para buscar eventos de aspecto extraño, explican los investigadores.
Las redes neuronales artificiales se inspiran en el funcionamiento cerebral para desarrollos computacionales: descubren y aprenden patrones que se producen en un conjunto de datos.
Básicamente, son un conjunto de neuronas artificiales o circuitos electrónicos que están conectados entre sí para transmitirse señales.
La información que atraviesa estos circuitos se somete a diversas operaciones para conseguir que un ordenador, por ejemplo, identifique a un gato en una foto.
Consigue esta identificación de la misma manera que lo hace el cerebro humano, aunque basándose en una abstracción mucho más sofisticada.
Las redes neuronales aprenden y se forman a sí mismas, sin necesidad de intervención humana, y son óptimas para obtener resultados difíciles de alcanzar con la programación informática convencional.
Óptimas para las partículas
La teoría matemática que sustenta las redes neuronales artificiales ha evolucionado durante varias décadas, pero solo recientemente ha sido posible entrenarlas de manera eficiente.
Las redes neuronales artificiales, que se han usado para conducir automóviles, realizar reconocimiento de voz, sugerir artículos de consumo, o mejorar efectos visuales en películas, también han desembarcado en el campo de la física de altas energías.
La física de altas energías, que se produce por ejemplo en los aceleradores de partículas, persigue una visión completa de las interacciones entre las partículas elementales y su conexión con el Universo temprano.
Las redes neuronales artificiales se han utilizado durante décadas en este campo de la física, pero sus recientes avances, como las redes neuronales profundas (DNN), están precipitando nuestra aproximación a los secretos más recónditos del universo.
La DNN es una Red Neuronal Artificial con múltiples capas ocultas que le permiten modelar relaciones complejas no lineales o caóticas, típicas de las interacciones que se producen entre las partículas elementales.
Útiles para partículas exóticas
Esta característica es especialmente práctica para un cometido concreto: la búsqueda de nuevas partículas "exóticas" que el modelo estándar de la física no predice.
Este modelo estándar explica casi todas las observaciones del universo, pero tiene lagunas que tal vez puedan resolverse si fuéramos capaces de observar partículas ignotas.
Después de búsquedas infructuosas de esas partículas que faltan, los físicos se han concentrado en los entresijos de las partículas fugaces que se generan en los colisionadores.
Se trata de partículas indetectables que solo existen durante muy poco tiempo antes de descomponerse en partículas conocidas.
La suposición de los físicos es que no interactúan con la materia ordinaria y que por ello son indetectables.
Vivirían en un subterfugio de la materia que escapa a la capacidad de percepción de los instrumentos de medición.
Los algoritmos estándar utilizados para interpretar los datos de las colisiones protón-protón no están diseñados para buscar eventos de aspecto extraño, explican los investigadores.
Al alcance de la red neuronal
Pero tal vez no escapen a una red neuronal profunda porque, probablemente, esos eventos extraños dejen una huella del breve paso por la existencia de alguna partícula desconocida.
La red neuronal profunda diseñada por el CMS ha sido entrenada para descubrir patrones de datos en esos momentos críticos de las supuestas partículas clandestinas.
Sus algoritmos buscarán procesos situados al margen del modelo estándar en los entresijos más estrechos de la física de partículas.
Especialmente, buscarán los efectos de la descomposición de esas partículas fugaces, y los distinguirán de los procesos que se generan en el marco del modelo estándar.
Será el primer paso para confirmar la existencia de partículas elementales hoy desconocidas y que podrían, bien consolidar el modelo estándar, o bien alumbrar una nueva física.
Porque esas posibles partículas exóticas podrían responder a casi todas las preguntas sin respuesta que todavía tenemos sobre nuestro universo.
Pero tal vez no escapen a una red neuronal profunda porque, probablemente, esos eventos extraños dejen una huella del breve paso por la existencia de alguna partícula desconocida.
La red neuronal profunda diseñada por el CMS ha sido entrenada para descubrir patrones de datos en esos momentos críticos de las supuestas partículas clandestinas.
Sus algoritmos buscarán procesos situados al margen del modelo estándar en los entresijos más estrechos de la física de partículas.
Especialmente, buscarán los efectos de la descomposición de esas partículas fugaces, y los distinguirán de los procesos que se generan en el marco del modelo estándar.
Será el primer paso para confirmar la existencia de partículas elementales hoy desconocidas y que podrían, bien consolidar el modelo estándar, o bien alumbrar una nueva física.
Porque esas posibles partículas exóticas podrían responder a casi todas las preguntas sin respuesta que todavía tenemos sobre nuestro universo.
Referencia
A deep neural network to search for new long-lived particles decaying to jets. CMS Collaboration. arXiv:1912.12238 [hep-ex]
A deep neural network to search for new long-lived particles decaying to jets. CMS Collaboration. arXiv:1912.12238 [hep-ex]