⚛️ experimentos de altas energías

Uncertainty Quantification and Propagation for ACORN, a geometric deep learning tracking pipeline for HEP experiments

Este artículo presenta un marco de cuantificación de la incertidumbre aplicado al proceso de seguimiento de aprendizaje profundo geométrico ACORN utilizando el conjunto de datos TrackML, demostrando que el rendimiento del modelo está bien calibrado y que la incertidumbre aleatoria predomina a medida que aumentan los datos de entrenamiento, lo que indica que el modelo ha alcanzado su pleno potencial.

Autores originales: Lukas Péron, Paolo Calafiura, Xiangyang Ju, Jay Chan

Publicado 2026-10-15

📖 5 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Lukas Péron, Paolo Calafiura, Xiangyang Ju, Jay Chan

Artículo original bajo licencia CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta es una explicación generada por IA del artículo a continuación. No ha sido escrita ni avalada por los autores. Para mayor precisión técnica, consulte el artículo original. Leer descargo de responsabilidad completo

En el corazón de la física moderna, máquinas gigantescas chocan partículas a velocidades cercanas a la de la luz, creando una lluvia caótica de escombros que los científicos deben clasificar para comprender las leyes fundamentales del universo. Estos experimentos, como el Gran Colisionador de Hadrones, generan una cantidad abrumadora de datos, donde miles de millones de colisiones ocurren con tanta frecuencia que sus señales se superponen, creando una densa niebla de señales electrónicas. Para dar sentido a esto, los físicos deben reconstruir las trayectorias de las partículas individuales a partir de los diminutos destellos de energía que dejan tras de sí en detectores masivos. Este proceso se conoce como rastreo (tracking), y es el primer paso crítico para convertir los datos brutos en descubrimientos científicos. Sin embargo, a medida que las máquinas se vuelven más potentes y los datos más complejos, el software utilizado para trazar estas trayectorias debe ser increíblemente preciso. Si el software no está seguro de una trayectoria, esa incertidumbre puede propagarse a través de todo el análisis, ocultando potencialmente una nueva partícula o creando una falsa. Por lo tanto, los científicos necesitan una forma de medir no solo la respuesta que da una computadora, sino qué tan segura está la computadora de su propia respuesta.

Un equipo de investigadores ha desarrollado una nueva forma de medir esta confianza dentro de un sofisticado flujo de trabajo de software llamado ACORN, el cual está diseñado para rastrear partículas en experimentos de física de altas energías. Este flujo de trabajo actúa como un filtro de múltiples etapas, tomando una nube de señales brutas del detector y convirtiéndolas en trayectorias reconstruidas claras. El proceso comienza agrupando señales cercanas en una red, luego utilizando un tipo de inteligencia artificial conocida como red neuronal de grafos para decidir qué conexiones son reales y cuáles son solo ruido. Finalmente, un algoritmo basado en reglas une estas conexiones en trayectorias completas. El desafío que los investigadores abordaron fue comprender cómo viaja la incertidumbre a través de esta cadena. Si la primera etapa comete un pequeño error o no está segura de una conexión, ¿crece esa duda a medida que se mueve a la siguiente etapa, o el sistema se corrige a sí mismo? Para responder a esto, el equipo aplicó una técnica llamada Monte Carlo Dropout, que esencialmente le pide a la computadora realizar la misma predicción muchas veces con ligeras variaciones aleatorias en sus configuraciones internas. Al observar cuánto variaban las respuestas a través de estos muchos intentos, pudieron mapear exactamente dónde el sistema tenía confianza y dónde estaba adivinando.

Los investigadores encontraron que el flujo de trabajo ACORN es notablemente robusto. A medida que aumentaban la cantidad de datos de entrenamiento que el sistema veía, la incertidumbre en sus predicciones dejaba de estar impulsada por la falta de experiencia del modelo y pasaba a estar dominada por el ruido inherente de los datos físicos. Esta es una distinción crucial: significa que el modelo ha aprendido tanto como es posible de los datos disponibles, y cualquier incertidumbre restante se debe a la realidad desordenada del detector, no a un fallo en el software. El estudio reveló que la incertididad de las etapas anteriores del flujo de trabajo no se amplificaba a medida que avanzaba hacia las etapas posteriores; en cambio, el sistema mantenía un alto nivel de confianza en sus reconstrucciones de trayectoria finales. Incluso cuando los investigadores probaron el sistema con diferentes configuraciones y sin una calibración perfecta de sus puntuaciones internas, la eficiencia final de hallazgo de trayectorias de partículas reales se mantuvo estable alrededor del 94.5 por ciento. Esto sugiere que el flujo de trabajo es resiliente, capaz de entregar resultados fiables incluso cuando los datos de entrada son imperfectos.

Uno de los hallazgos más interesantes fue que la incertidumbre no seguía un patrón matemático simple y predecible a medida que se movía de una etapa a otra en el flujo de trabajo. En muchos modelos científicos, los errores podrían crecer en una línea recta o en una curva simple, pero aquí el comportamiento era complejo y específico de la estructura de los datos. Los investigadores también descubrieron que la confianza del sistema era mayor para las partículas más importantes —aquellas con alto momento lineal que portan la información física más valiosa— y que la incertidumbre era en gran medida independiente del ángulo específico en el que las partículas viajaban a través del detector. Quizás lo más importante es que el equipo demostró que incluso si las puntuaciones internas de la computadora no estaban perfectamente calibradas para representar probabilidades reales, el resultado físico final —el número de trayectorias correctamente reconstruidas— no se vio afectado. El sistema podía ajustarse para trabajar eficazmente sin necesidad de puntuaciones de probabilidad perfectas en cada paso.

Este trabajo proporciona un esquema vital para el futuro de la física de altas energías. A medida que los experimentos se dirigen hacia niveles aún más altos de producción de datos, la capacidad de cuantificar y confiar en el resultado de sistemas complejos de aprendizaje automático será esencial. Los investigadores demostraron que, al medir cuidadosamente la incertidumbre en cada paso, podían asegurar que las conclusiones científicas finales sean sólidas. Concluyeron que su método puede aplicarse a datos reales del experimento ATLAS, y sugirieron que el trabajo futuro podría extender estas técnicas a la mismísima primera etapa del proceso, donde las señales brutas se agrupan por primera vez. Al demostrar que estos flujos de trabajo de aprendizaje profundo no son solo cajas negras, sino que pueden ser comprendidos, medidos y confiados, esta investigación ayuda a asegurar que los descubrimientos del mañana se construyan sobre una base de certeza.

Resumen Técnico: Cuantificación y Propagación de la Incertidumbre para ACORN

Planteamiento del Problema
Los experimentos de Física de Altas Energías (HEP), particularmente la próxima fase de Alta Luminosidad del LHC (HL-LHC), enfrentan desafíos significativos en volumen y complejidad de datos, lo que requiere algoritmos de reconstrucción avanzados. Los pipelines de Aprendizaje Profundo Geométrico (GDL), como ACORN (A Charge Object Reconstruction Network), han surgido como soluciones de vanguardia para el rastreo de partículas, utilizando Redes Neuronales de Grafos (GNN) para inferir candidatos de trazas a partir de datos de impactos (hits) del detector. Sin embargo, la fiabilidad de estos pipelines de múltiples etapas es crítica para reclamar descubrimientos. Existe una brecha principal en la comprensión de cómo se propagan las incertidumbres a través de modelos encadenados y cómo distinguir entre incertidumbres reducibles (epistémicas) e irreducibles (aleatorias). Específicamente, no está claro cómo la incertidumbre de una etapa de filtrado ascendente afecta las predicciones de la GNN descendente ni la eficiencia final de la reconstrucción de trazas, ni se ha establecido si las salidas de la GNN son probabilidades bien calibradas.

Metodología
Los autores desarrollaron un marco de Cuantificación de la Incertidumbre (UQ) y Propagación (UP) aplicado al pipeline de ACORN utilizando el conjunto de datos abierto TrackML. El pipeline consta de tres etapas: construcción del grafo (aprendizaje métrico), puntuación de aristas (GNN) y construcción de la traza (algoritmo CC&Walk).

Cuantificación de la Incertidumbre mediante Monte Carlo Dropout (MCD): El estudio emplea MCD para muestrear de la distribución posterior de las salidas del modelo. Se insertaron capas de dropout en los MLPs de paso de mensajes de la GNN y en el MLP del Filtro. Para cada grafo de entrada, se generaron $T=100$ predicciones estocásticas.
Métricas de Incertidumbre:
- Incertidumbre Total: Medida como la entropía de Shannon del promedio de la puntuación predicha.
- Incertidumbre Epistémica: Medida como la información mutua entre la predicción y los pesos del modelo.
- Incertidumbre Aleatoria: Derivada como la entropía condicional (Total menos Epistémica).
- Desviación Estándar: La desviación estándar empírica de las 100 predicciones de puntuación.
Análisis de Propagación:
- Incertidumbre Topológica: El estudio cuantifica cómo la incertidumbre del Filtro (que determina qué aristas se podan) se propaga a la GNN. Esto se denomina "incertidumbre topológica" porque diferentes instancias del Filtro producen diferentes estructuras de grafo.
- Propagación de la Eficiencia: El impacto de las incertidumbres ascendentes en la eficiencia final de la construcción de trazas (CC&Walk) se midió repitiendo el pipeline estocástico completo $T$ veces y ajustando la distribución de eficiencia resultante.
Calibración: Los autores evaluaron la calibración del clasificador binario de la GNN utilizando diagramas de fiabilidad y ajuste de splines para alinear las puntuaciones predichas con las probabilidades reales, probando el impacto de la calibración en la eficiencia de rastreo.

Resultos Clave

Dominio de la Incertidumbre Aleatoria: El análisis revela que la incertidumbre total de la GNN está dominada por la incertidumbre aleatoria (datos) en lugar de la epistémica (modelo). A medida que el tamaño del conjunto de datos de entrenamiento aumenta (de 100 a 1,400 eventos), el componente epistémico disminuye, confirmando que el modelo ha sido entrenado a su máximo potencial relativo al ruido de los datos.
Características de Propagación: La incertidumbre combinada de la GNN está distribuida casi equitativamente entre la incertidumbre intrínseca y la incertidumbre propagada del Filtro. Sin embargo, no se encontró una simple escala de ley de potencia analítica entre la desviación estándar del Filtro y la desviación estándar de la GNN, lo cual es consistente con la dificultad teórica de modelar la UP en pipelines complejos.
Posterior No Gaussiana: La distribución posterior empírica de las puntuaciones de la GNN, muestreada mediante MCD, exhibe un comportamiento no gaussiano (sesgo y curtosis no nulos) a través del rango de puntuación, contradiciendo las suposiciones de perfiles de error gaussianos.
Robustez a la Calibración: A pesar de que la GNN está significativamente mal calibrada (subconfiada) en su estado bruto, el estudio encontró que el ajuste de los cortes de puntuación en el algoritmo CC&Walk compensa esto. La eficiencia final de la reconstrucción de trazas no mostró una diferencia estadísticamente significativa entre las puntuaciones de la GNN calibradas y las no calibradas (94.4% vs. 94.5%).
Estabilidad del Pipeline: La incertidumbre en la eficiencia final de la construcción de trazas es aproximadamente del 0.05%, lo que indica que el pipeline es robusto frente a las incertidumbres ascendentes.
Dependencia de Variables de Física: La incertidumbre ( $\sigma$ ) muestra un ligero aumento para trazas de alto momento transversal ( $p_T$ ) y en la región de rapidez pseudoangular ( $\eta$ ) central, atribuido a la menor estadística de tales trazas en el conjunto de datos de entrenamiento más que a un fallo inherente del modelo.

Significancia y Reivindicaciones
El artículo afirma proporcionar una metodología consistente para medir la incertidumbre en pipelines de aprendizaje profundo geométrico de múltiples pasos para HEP. Sus principales contribuciones son:

Demostrar que para el pipeline de ACORN, el modelo está suficientemente entrenado de modo que el ruido de datos irreducible (incertidumbre aleatoria) es el factor limitante, no la capacidad del modelo.
Establecer que el pipeline ofrece una alta confianza en la reconstrucción de trazas y no sufre degradación de rendimiento debido a la mala calibración de la GNN, siempre que los umbrales de reconstrucción descendentes se ajusten adecuadamente.
Destacar la complejidad de la propagación de la incertidumbre en pipelines topológicos, donde la incertidumbre del modelo ascendente altera la estructura del grafo mismo, haciendo que el tratamiento analítico sea intratable.

Los autores concluyen que, si bien su esquema de UQ es efectivo para el pipeline actual, es necesario realizar trabajos futuros para aplicar estos métodos a datos reales de ATLAS y extender la UQ al estadio de aprendizaje métrico de la construcción del grafo, el cual presenta desafíos únicos debido a la falta de una métrica clara para la incertidumbre de la matriz de adyacencia.

Más como este