Machine learning method for enforcing variable independence in background estimation with LHC data: ABCDisCoTEC

En el mundo de alto riesgo de la física de partículas, los científicos actúan como detectives cósmicos, cribando miles de millones de colisiones diminutas para encontrar un único y raro evento que podría revelar una nueva ley de la naturaleza. Estas colisiones ocurren dentro del Gran Colisionador de Hadrones, un anillo masivo enterrado bajo la frontera franco-suiza, donde los haces de protones chocan entre sí a casi la velocidad de la luz. La pulverización de partículas resultante es registrada por detectores como el CMS, creando una montaña de datos. El desafío no es solo encontrar la nueva partícula, conocida como la señal, sino conocer con precisión cómo es el ruido de fondo. Si el fondo se estima incorrectamente, un científico podría confundir una fluctuación común con un descubrimiento o, peor aún, perder un descubrimiento real oculto en el ruido. Tradicionalmente, los físicos han utilizado un truco ingenioso llamado el "método ABCD" para estimar este fondo. Dividen sus datos en cuatro cajas basadas en dos mediciones diferentes. Si las dos mediciones son completamente ajenas entre sí, el número de eventos de fondo en la caja de "señal" vacía puede predecirse multiplicando los conteos en las otras tres cajas. Es una forma fiable de utilizar datos reales para adivinar cómo es el fondo, pero tiene un fallo fatal: solo funciona si esas dos mediciones son verdaderamente independientes.

Encontrar dos mediciones independientes de este tipo es increíblemente difícil. En el caos complejo de una colisión de partículas, casi todo está sutilmente conectado. Si las dos mediciones utilizadas para clasificar los datos tienen incluso un mínimo vínculo entre ellas, la predicción falla y la estimación del fondo se vuelve poco fiable. Durante años, los físicos han luchado por encontrar el par de variables adecuado a mano, un proceso que es lento, difícil y a menudo infructuoso cuando la señal es muy similar al fondo. Un investigador de la Colaboración CMS en el CERN ha desarrollado ahora una nueva solución que automatiza esta difícil tarea utilizando aprendizaje automático. Crearon un sistema que enseña a un ordenador a inventar sus propias dos mediciones, asegurando que sean independientes y que, al mismo tiempo, sean excelentes para detectar la señal. Este nuevo enfoque, que llaman ABCDisCoTEC, les permite estimar el fondo directamente a partir de los datos observados con una precisión mucho mayor, reduciendo la necesidad de depender de simulaciones informáticas imperfectas.

El núcleo de esta innovación reside en cómo se entrena el modelo de aprendizaje automático. En el pasado, los investigadores utilizaban un método llamado ABCDisCo, que enseñaba a una red neuronal a producir dos salidas que eran estadísticamente independientes. Sin embargo, este método tenía un punto ciego. Podía asegurar que las dos salidas estuvieran no correlacionadas, pero no podía garantizar que los eventos de fondo se distribuyeran de forma suave a través de los datos, lo cual es un requisito estricto para que el método ABCD funcione correctamente. El nuevo método ABCDisCoTEC soluciona esto añadiendo una instrucción específica al proceso de entrenamiento. Ahora se le dice al ordenador que no solo haga que las dos salidas sean independientes, sino también que minimice la "no clausura" (non-closure). En términos sencillos, la no clausura es el error que ocurre cuando la predicción de las tres cajas de fondo no coincide con el número real de eventos encontrados en la caja de señal. Al enseñar directamente a la red a reducir este error, el sistema aprende a organizar los datos de una manera que hace que la estimación del fondo sea matemáticamente sólida.

Para probar esta idea, el investigador la aplicó a la búsqueda de una partícula hipotética llamada "top squark sigiloso" (stealth supersymmetric top squark). Esta partícula es una compañera del quark top, una partícula pesada que ya se sabe que existe, pero que está predicha por teorías que van más allá de nuestra comprensión actual de la física. El problema con la búsqueda de esta partícula específica es que se parece casi exactamente al ruido de fondo creado por pares de quarks top estándar. En búsquedas anteriores, la incertidumbre sobre qué tan bien se modelaba el fondo limitaba la capacidad de encontrar una señal. El nuevo método fue puesto a prueba utilizando datos simulados que imitan las condiciones del Gran Colisionador de Hadrones. Los resultados mostraron que el modelo ABCDisCoTEC creó con éxito dos nuevas variables que eran independientes entre sí y mejoró enormemente la estabilidad y la robustez de la disposición del fondo. Esto permitió al investigador predecir el fondo en la región de la señal con alta precisión, mejorando significativamente la sensibilidad de la búsqueda, con los detalles específicos y los resultados de la búsqueda documentados en una referencia separada.

Un obstáculo importante en el uso de tales modelos complejos de aprendizaje automático es el ajuste de los muchos controles y diales, conocidos como hiperparámetros, que controlan cómo aprende la red. Normalmente, los científicos tienen que adivinar estos ajustes o realizar miles de pruebas para encontrar la combinación correcta, un proceso que consume mucho tiempo y es propenso a errores. El artículo también introduce una segunda innovación para resolver esto: una técnica matemática llamada método de multiplicadores diferenciales modificados. En lugar de adivinar el equilibrio adecuado entre los diferentes objetivos del entrenamiento, este método trata los requisitos como restricciones estrictas. Obliga a la red a encontrar una solución que cumera objetivos específicos de independencia y precisión del fondo sin necesidad de buscar manualmente entre infinitas posibilidades. Este enfoque demostró ser mucho más rápido y estable que los métodos tradicionales, convergiendo en la mejor solución en una fracción del tiempo.

El investigador validó entonces sus hallazgos aplicando el método a datos reales recolectados del Gran Colisionador de Hadrones. Definió regiones específicas en los datos, separadas del área de búsqueda principal, para comprobar si el método funcionaba correctamente con eventos de colisión reales. Los resultados mostraron que el comportamiento del fondo en los datos reales coincidía con el comportamiento visto en las simulaciones, manteniéndose el error de no clausura pequeño y constante en las regiones de validación. Esta validación es crucial porque confirma que el método es lo suficientemente robusto como para ser utilizado en análisis de física del mundo real, demostrando que el modelo de aprendizaje automático aprendió la estructura subyacente de los datos reales dentro de estas regiones de prueba específicas.

Las implicaciones de este trabajo se extienden mucho más allá de esta única búsqueda de una nueva partícula. El método ABCDisCoTEC representa un paso significativo hacia la automatización del análisis de datos de física de altas energías. Al permitir que los físicos estimen los fondos directamente a partir de los datos observados con alta precisión, reduce la dependencia de las simulaciones teóricas, que a veces pueden ser inexactas. Esto conduce a mediciones más fiables y a una mayor posibilidad de detectar signos sutiles de nueva física. La combinación del nuevo método de entrenamiento y la técnica de optimización avanzada proporciona un conjunto de herramientas poderosas para futuros experimentos. Demuestra que el aprendizaje automático puede utilizarse no solo para clasificar datos, sino para mejorar fundamentalmente los métodos estadísticos utilizados para interpretar las colisiones más complejas del universo. A medida que el Gran Colisionador de Hadrones continúa recolectando datos, estas herramientas serán esenciales en la búsqueda continua por comprender los componentes fundamentales de la realidad.