Rede neural derrota a interferência quântica e supera cientistas na análise de dados do bóson de Higgs

Enquanto os cientistas previam os resultados da pesquisa do bóson de Higgs no Grande Colisor de Hádrons com 15 anos de antecedência, a rede neural fez todo o trabalho por eles. Agora é necessário fazer uma nova previsão para os experimentos, o que requer o desenvolvimento de novos experimentos e condições para sua implementação. Mas esta é a beleza da situação: a ciência pode avançar significativamente mais rápido em direção a uma física ainda desconhecida.

Fonte da imagem: CERN

A história começou em 2017, quando um dos líderes da colaboração ATLAS no LHC encarregou o estudante de pós-graduação Aishik Ghosh de desenvolver uma maneira de detectar o bóson de Higgs, detectado pela primeira vez cinco anos antes. Acredita-se que o bóson de Higgs seja responsável pela massa das partículas elementares. No acelerador, ele é produzido pelo processo de colisão e decaimento de prótons.

Em particular, durante o decaimento, podem surgir bósons W, responsáveis ​​por interações nucleares fracas nos núcleos. Durante a fusão dos bósons W, pode surgir um bóson de Higgs, que imediatamente decai em dois bósons Z, que também são portadores de interações nucleares fracas. Por sua vez, os bósons Z decaem em léptons, por exemplo, em pares elétron-pósitron. A nuance é que o bóson de Higgs nem sempre é formado, e esta etapa do processo de decaimento pode ser ignorada sem alterar todo o esquema. E é necessário analisar não o que está lá, mas o que está faltando, e isso é muito mais difícil. Pelo menos para uma rede neural, para a qual, portanto, não há base para treinamento.

Todos esses fenômenos notáveis ​​só podem ser descobertos por meio de modelagem e análise meticulosas de uma quantidade inimaginável de dados experimentais. A situação também se complica pelo fato de que partículas, que são essencialmente campos quânticos, estão sujeitas a interferências. Pense no comportamento de muitos círculos na água durante a chuva. Em condições aproximadamente iguais, mas cem vezes mais complexas, os cientistas procuram traços de cada “gota” e conseguem aprender literalmente tudo sobre ela – da massa a outras características físicas. Se não fosse pelo fenômeno da interferência quântica, a vida dos pesquisadores seria mais simples. Mas não neste Universo…

Um estudante de pós-graduação designado para trabalhar em uma das variantes do decaimento de prótons em bósons W rapidamente percebeu que estava fazendo algo errado. O fenômeno da interferência introduziu um erro tão grande na análise que foi necessário analisar o quadro completo, em vez de trabalhar em uma de suas variantes. Então, o jovem cientista alimentou os dados em uma rede neural que nunca havia sido usada para analisar tais conjuntos de dados antes – trata-se da Inferência Baseada em Simulação Neural (NSBI).

A rede neural do NSBI foi encarregada de modelar de forma independente o experimento do LHC e usar os modelos para prever os resultados das medições do bóson de Higgs. Em vez de tentar estudar trajetórias de decaimento individuais, o novo método levou em consideração todas as trajetórias possíveis e suas interferências, permitindo uma análise de dados mais precisa.

Nessa época, o gerente do projeto se interessou pelo trabalho do aluno de pós-graduação, e outros especialistas da colaboração ATLAS se juntaram a ele. Em dezembro de 2024, dois artigos científicos foram preparados e publicados, após rigorosa revisão por pares. Um artigo descreveu o método e o segundo reanalisou os dados antigos do ATLAS usando uma rede neural. O resultado superou as expectativas. A rede neural forneceu características mais precisas do bóson de Higgs do que a equipe de cientistas.

«Uma das coisas engraçadas sobre esse método que Aysik vem promovendo com tanto afinco é que toda vez que fazemos uma previsão — veja o quão bem vamos nos sair daqui a 15 anos —, nós destruímos completamente essas previsões”, dizem os pesquisadores. “Então agora temos que refazer um conjunto de previsões porque já alcançamos nossas previsões antigas 15 anos no futuro [com a rede neural]. É um problema realmente engraçado.”