Nuevos algoritmos en el LHC mejoran el análisis de colisiones de partículas

En el Gran Colisionador de Hadrones (LHC), ¡las cosas se mueven rápido—como, 40 millones de veces por segundo rápido! Esa es la frecuencia con la que los protones chocan, y es tarea del experimento Compact Muon Solenoid (CMS) estudiar estas Colisiones. ¿Por qué? Para buscar cosas nuevas y emocionantes en el universo que aún no entendemos del todo. Si eso suena como una búsqueda del tesoro, ¡tienes razón! Pero es una búsqueda muy complicada con un montón de Datos.

#El Desafío de Demasiados Datos

Con casi 100 millones de canales de datos llegando de los detectores del CMS durante cada colisión, es como intentar encontrar una aguja en un pajar de datos. Para entender todo, solo una pequeña parte de estos datos—alrededor de 1,000 eventos cada segundo—puede ser almacenada para un análisis más profundo después. Para hacer esto, los científicos usan un sistema de activación de dos niveles.

El primer nivel, llamado activación de Nivel-1 (L1), está compuesto por procesadores de hardware especiales. Estos dispositivos inteligentes seleccionan los eventos más interesantes de la caótica danza de protones y filtran lo aburrido. El segundo nivel, conocido como activación de alto nivel (HLT), toma los datos seleccionados y los procesa más, buscando ahorrar aún más datos para futuros estudios.

¡Pero hay un problema! El activador L1 no es perfecto. Es como un portero en un club que solo deja pasar a la gente con un atuendo específico. A veces, podría pasar por alto a alguien que está vestido de manera diferente pero podría ser una estrella. En el mundo de la física, esto significa que señales inesperadas de nuevas partículas podrían ser pasadas por alto si no encajan en los patrones habituales.

#Un Nuevo Truco en la Manga

Para lidiar con este problema, la colaboración del CMS está probando algo nuevo—¡aprendizaje automático! Piensa en el aprendizaje automático como un asistente muy inteligente que ayuda a los científicos a detectar eventos inusuales sin depender de reglas antiguas. Han desarrollado dos algoritmos diferentes para detectar estas Anomalías: AXOL1TL y CICADA. Suenan sofisticados, pero básicamente buscan atrapar eventos que se destacan del montón.

#¿Qué es AXOL1TL?

AXOL1TL significa Algoritmo de Activación de Nivel-1 en Línea para Extracción de Anomalías. Utiliza algunos trucos geniales de un tipo de red neuronal llamada autoencoder. Un autoencoder es como un mago que aprende a comprimir datos y luego los recrea. Se entrena para saber cómo lucen las colisiones normales. Cuando ve algo raro, como una posible nueva partícula, tiene problemas para recrear esa entrada con precisión, levantando una bandera roja.

#¿Y qué pasa con CICADA?

CICADA, en cambio, utiliza autoencoders convolucionales. Es como AXOL1TL, pero con un giro adicional—imagina tener un ojo mágico que mira imágenes. CICADA analiza imágenes de depósitos de energía para detectar eventos inusuales. Es una nueva perspectiva que permite detectar cosas mientras están sucediendo.

Ambos métodos trabajan juntos, ayudando a los científicos a monitorear datos en vivo de las colisiones sin interrumpir los procesos principales. Así que, si AXOL1TL y CICADA fueran superhéroes, serían el dúo dinámico capturando la acción en el LHC.

#Cómo Trabajan Juntos

Ambos algoritmos fueron entrenados usando un conjunto especial de datos de colisiones de protones-protones, específicamente datos de cero-bias recopilados en el LHC durante 2023. La mitad de estos datos se usó para enseñar a los algoritmos a reconocer lo que es normal, y la otra mitad se guardó para probar sus habilidades.

En las pruebas, AXOL1TL mostró un impresionante aumento del 46% en eficiencia en comparación con métodos tradicionales al buscar patrones de descomposición exóticos del bosón de Higgs. ¡Es como encontrar un boleto dorado en una caja de chocolates!

#Entradas Usadas para la Detección de Anomalías

Ahora, hablemos de lo que estos algoritmos buscan. AXOL1TL utiliza datos sobre chorros (piensa en ellos como explosiones de energía), electrones, muones y una medición llamada energía transversal faltante (MET). Estas entradas provienen del activador L1 y ayudan a AXOL1TL a averiguar qué está sucediendo.

CICADA, sin embargo, procesa depósitos de energía de una manera que se asemeja al análisis de imágenes. Al tratar los datos de energía como una imagen, puede detectar patrones inusuales en los datos, llevando a un tipo diferente de anomalía que AXOL1TL podría pasar por alto.

#El Lado Técnico – Pero No Demasiado Técnico

AXOL1TL emplea un tipo especial de autoencoder llamado Autoencoder Variacional. Imagina ajustar la configuración del autoencoder para que sea aún mejor en detectar anomalías. Aprende a entender los datos mejor mientras se asegura de que se mantenga en un patrón normal, evitando sorpresas inesperadas.

De manera similar, CICADA utiliza capas convolucionales en su autoencoder para trabajar con las entradas parecidas a imágenes de las colisiones. Indica a los algoritmos que estén atentos a cualquier cosa extraña que pudiera indicar algo fuera de lo común.

Ambos algoritmos están entrenados para ser eficientes, y están codificados en hardware. ¿Por qué? ¡Porque la velocidad es crucial! Cuando estás lidiando con datos a la tasa de 40 millones de colisiones por segundo, necesitas sistemas que puedan seguir el ritmo. Están implementados en chips especiales llamados FPGA, que ayudan a realizar cálculos a la velocidad del rayo.

#Rendimiento en Acción

AXOL1TL ha sido completamente probado en tiempo real con el sistema CMS. Durante las pruebas, operó a diferentes niveles de sensibilidad para atrapar anomalías, desde muy estricto hasta bastante relajado. Este enfoque flexible permite reunir datos que podrían revelar nuevos descubrimientos.

Curiosamente, los datos señalados por AXOL1TL a menudo mostraban diferentes patrones que los eventos regulares del activador L1. Esto es importante porque ayuda a los científicos a recolectar eventos novedosos que podrían sugerir nueva física más allá de lo que actualmente sabemos.

Al observar los tipos de eventos que captura, AXOL1TL es particularmente bueno en detectar eventos con múltiples chorros—algo que los métodos tradicionales podrían pasar por alto. Esto le da una ventaja al buscar nuevas partículas o fenómenos que los viejos métodos podrían ignorar.

#Mirando Hacia Adelante para Nuevos Descubrimientos

A medida que los científicos continúan analizando los datos señalados por AXOL1TL, examinarán diferentes propiedades para ver si hay pistas escondidas dentro. Estudiarán patrones en las distribuciones de masa de varias partículas, como chorros y fotones, para asegurarse de que no haya sesgos que provengan del proceso de selección en sí.

Al final, lo que tenemos aquí son dos algoritmos innovadores, AXOL1TL y CICADA, trayendo técnicas frescas para ayudar en la búsqueda de nueva física en el LHC. Su objetivo es encontrar lo inusual y lo inesperado, facilitando un poco la vida de los físicos en su búsqueda de desvelar los secretos del universo. ¿Quién sabe qué descubrirán a continuación? ¡Quizás una partícula que tire todos los libros de texto por la ventana!