doi.org/10.7494/csci.2024.25.1.5690
Credibilidade: 999
#Partícula
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 tarefa exigente poderá ser realizada utilizando algoritmos baseados em IA.
A eletrônica nunca teve uma vida fácil na física nuclear.
Há tantos dados vindos do LHC, o acelerador mais poderoso do mundo, que registrá-los nunca foi uma opção.
Os sistemas que processam a onda de sinais provenientes dos detectores especializam-se, portanto, em? esquecer – 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.
AI in Particle Tracking Research apresentada na revista Computer Science por cientistas do Instituto de Física Nuclear da Academia Polonesa de Ciências (IFJ PAN) em Cracóvia, Polônia, sugere que ferramentas construídas usando inteligência artificial podem ser uma alternativa eficaz aos métodos atuais para a rápida reconstrução de rastros de partículas.
A sua estreia poderá ocorrer nos próximos dois a três anos, provavelmente na experiência MUonE que apoia a procura de uma nova física.
A complexidade da detecção de partículas 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.
“Geralmente existe um campo magnético dentro dos detectores.
As partículas carregadas se movem ao longo de linhas curvas e é também assim que os elementos detectores ativados por elas, que em nosso jargão chamamos de hits, serão localizados uns em relação aos outros”, explica o Prof.
Marcin Kucharczyk, (IFJ PAN) e imediatamente acrescenta: “Na realidade, a chamada ocupação do detector, ou seja, o número de acertos por elemento detector, pode ser muito alta, o que causa muitos problemas ao tentar reconstruir corretamente os rastros das partículas.
Em particular, a reconstrução de pistas próximas umas das outras 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.
IA como solução “A inteligência artificial que projetamos é uma rede neural profunda.
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 a 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”, descreve 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 a mesma precisão que os algoritmos clássicos.
Este é um resultado de grande importância para o desenvolvimento de técnicas de detecção.
Embora o treinamento de uma rede neural profunda seja um processo demorado e exigente em termos computacionais, uma rede treinada reage instantaneamente.
Como também faz isso com precisão satisfatória, podemos pensar com otimismo em utilizá-lo no caso de colisões reais”, enfatiza o Prof.
O Experimento MUonE e a Física do Futuro 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 assim determinada 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 planejada para 2027, que é provavelmente quando os físicos de Cracóvia terão a oportunidade de ver se a inteligência artificial que criaram fará o seu efeito.
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.
Publicado em 30/03/2024 23h36
Artigo original:
Estudo original: