Reconstructing short-lived particles using hypergraph representation learning

Dentro del Gran Colisionador de Hadrones, un anillo masivo de imanes enterrado bajo la frontera franco-suiza, los científicos chocan protones a casi la velocidad de la luz. Estas colisiones recrean la energía abrasadora de los primeros momentos del universo, engendrando una cascada de nuevas partículas. La mayoría de estas partículas son pesadas e increíblemente efímeras, decayendo casi instantáneamente en una lluvia de escombros más estables. Para comprender las leyes fundamentales de la naturaleza, los físicos deben reconstruir las partículas originales y fugaces a partir de estos escombros, de forma muy similar a como un experto forense intenta deducir la forma de un jarrón destrozado examinando los fragmentos dispersos. El desafío radica en la enorme cantidad de piezas; cuando las partículas pesadas decaen, a menudo producen hasta 20 "jets" (chorros): corrientes estrechas de partículas que salen disparadas en direcciones específicas. Determinar qué jets provinieron de qué partícula progenitora es un rompecabezas de una complejidad asombrosa, especialmente cuando los escombros incluyen partículas invisibles que no dejan rastro en el detector.

Un equipo de investigadores de la Universidad de Manchester ha desarrollado una nueva forma de resolver este rompecabezas, una que trata los datos de la colisión no como una simple lista de partículas, sino como una compleja red de relaciones. Llaman a su método HyPER. En lugar de observar las partículas de forma aislada o solo en parejas, HyPER utiliza una estructura matemática llamada hipergrafo para comprender cómo se conectan grupos de partículas de forma simultánea. En un enfoque estándar, una computadora podría intentar vincular la partícula A con la partícula B, y luego la partícula B con la partícula C, construyendo una cadena paso a paso. HyPER, sin embargo, puede observar un grupo entero de partículas simultáneamente y preguntar: "¿Forman estas tres partículas específicas un solo elemento progenitor?". Este cambio de perspectiva permite al sistema ver patrones que los métodos más simples pasan por alto, particularmente en eventos donde el número de partículas es muy elevado.

Los investigadores probaron este nuevo sistema en un tipo específico de colisión donde un par de quarks top —las partículas elementales más pesadas conocidas— decaen enteramente en jets. En este escenario, los dos quarks top se descomponen en seis quarks, que luego se convierten en seis jets, además de cualquier jet adicional creado por la violenta colisión misma. El objetivo es identificar correctamente qué tres jets pertenecen a un quark top y cuáles a el otro. El equipo entrenó su modelo HyPER con millones de colisiones simuladas, enseñándole a reconocer las agrupaciones correctas. Luego, enfrentaron al modelo contra dos de los métodos más avanzados utilizados actualmente por los físicos. Los resultados mostraron que HyPER fue capaz de reconstruir correctamente las partículas progenitoras en el 67 por ciento de los eventos, superando a los otros métodos que tuvieron éxito en aproximadamente un 65 por ciento y un 64.5 por ciento de los casos.

Lo que hace que este logro sea particularmente significativo no es solo el ligero aumento en la precisión, sino la eficiencia con la que se logró. El modelo HyPER es notablemente pequeño, conteniendo aproximadamente 3,450 parámetros entrenables. En contraste, los modelos competidores requieren millones de parámetros para funcionar. Para poner esto en perspectiva, el nuevo modelo contiene un factor de 20 veces menos parámetros que una de las herramientas existentes, y aun así ofrece mejores resultados. Esta eficiencia es importante porque significa que el modelo tiene menos probabilidades de sufrir "sobreajuste" (overfitting), o de memorizar los datos de entrenamiento en lugar de aprender la física subyacente, y requiere mucha menos potencia de cómputo para ejecutarse. Los investigadores descubrieron que incluso cuando reducían la cantidad de datos de entrenamiento disponibles, HyPER seguía siendo la herramienta más precisa, lo que sugiere que es lo suficientemente robusto como para manejar los conjuntos de datos limitados que suelen encontrarse en las búsquedas de física poco comunes.

El éxito de HyPER abre la puerta al estudio de eventos aún más complejos y raros en la física de partículas. Debido a que el sistema está diseñado para manejar grupos de partículas de cualquier tamaño, eventualmente podría usarse para reconstruir partículas que decaen en cuatro, cinco o más jets. Aunque el estudio actual se centró en decaimientos todos-hadrónicos donde los neutrinos están ausentes, los investigadores señalan que el trabajo futuro pretende extender el método para incluir la reconstrucción de la cinemática de los neutrinos en el estado final. Los investigadores demostraron que su enfoque funciona bien para el caso específico de los pares de quarks top, pero el método subyacente es lo suficientemente flexible como para aplicarse a una amplia variedad de procesos físicos. Al proporcionar una forma más poderosa y eficiente de visualizar las relaciones entre partículas, HyPER ofrece una nueva herramienta para escudriñar la estructura fundamental del universo, ayudando a los científicos a distinguir la señal de la nueva física del ruido de fondo del mundo conocido.