Electron Identification using Machine Learning in the MPD Experiment at NICA

En el corazón de la materia, donde los átomos se disuelven en una sopa de sus componentes más pequeños, se encuentra un estado de existencia que una vez llenó todo el universo apenas unos instantes después del Big Bang. Los científicos llaman a esto el Plasma de Quarks-Gluones, un fluido ultra caliente y agitado donde los protones y neutrones se funden para separarse en sus quarks y gluones constituyentes. Para estudiar este estado primordial, los investigadores lo recrean en el laboratorio chocando núcleos atómicos pesados a velocidades increíbles. Estas colisiones generan temperaturas y presiones extremas, formando brevemente una diminuta gota de esta materia del universo temprano. Sin embargo, para comprender qué sucedió dentro de esa gota, los científicos deben ser capaces de ver las partículas específicas que escapan de la explosión. Entre los mensajeros más importantes se encuentran los electrones, que portan una señal limpia de las condiciones dentro de la bola de fuego. Pero encontrar estos electrones es como intentar localizar una única aguja de plata en un pajar de agujas de oro, porque las colisiones producen miles de millones de otras partículas que se ven muy similares.

En la Instalación de Colisionador de Iones basada en el Nuclotron (NICA), en Rusia, se está construyendo un nuevo y masivo experimento llamado Detector Multipropósito para capturar estas colisiones. La instalación está diseñada para chocar iones a energías que permitan a los científicos explorar cómo se comporta la materia cuando está concentrada con una alta densidad de protones y neutrones, una condición similar al núcleo de una estrella de neutrones. El detector es una máquina grande, con forma de barril, llena de capas de sensores que rastrean las trayectorias y energías de las partículas mientras salen disparadas desde el punto de colisión. Una de las tareas más críticas para los científicos que trabajan con esta máquina es distinguir los raros electrones del abrumador fondo de otras partículas cargadas, como los piones y los protones. Si no pueden separar estos signals de manera limpia, la física que esperan descubrir permanecerá oculta.

Los investigadores detrás de este estudio se centraron en un desafío específico: cómo identificar electrones con la mayor precisión posible sin perder demasiados en el proceso. Tradicionalmente, los científicos han utilizado un método basado en reglas unidimensionales simples. Observaban la velocidad o la pérdida de energía de una partícula y trazaban una línea, manteniendo todo de un lado y descartando el resto. Aunque este enfoque es directo, es tosco. Para asegurar que no están conservando las partículas incorrectas, deben establecer las reglas de forma muy estricta, lo que inevitablemente desecha muchos de los electrones correctos junto con los malos. El equipo quería saber si podían hacerlo mejor utilizando el aprendizaje automático, un tipo de programa informático que puede aprender a reconocer patrones complejos en los datos en lugar de seguir reglas rígidas y preestablecidas.

Para probar esta idea, el equipo creó una simulación detallada de la respuesta del detector a las colisiones entre núcleos pesados de bismuto. Generaron un conjunto masivo de datos de trayectorias de partículas simuladas, etiquetando cada una como un electrón o una partícula de fondo. Luego enseñaron dos tipos diferentes de algoritmos de aprendizaje automático para clasificar estos datos. El primero fue una red neuronal, un sistema modelado según el cerebro humano que aprende ajustando las conexiones entre capas de unidades de procesamiento simples. El segundo fue un árbol de decisión potenciado, que funciona haciendo una larga secuencia de preguntas de sí o no para reducir la identidad de una partícula. A ambos sistemas se les suministraron diversas mediciones, incluyendo el momento de la partícula, cuánta energía perdió al pasar a través del gas del detector y cómo su velocidad se comparaba con su energía.

Los investigadores descubrieron que los enfoques de aprendizaje automático superaron significamente al método tradicional. Cuando utilizaron las reglas unidimensionales estándar, el sistema podía lograr una alta pureza, lo que significa que los electrones que conservaba eran casi con certeza reales, pero solo lograba encontrar alrededor de la mitad de los electrones disponibles. Los modelos de aprendizaje automático, sin embargo, fueron capaces de encontrar aproximadamente un 50 por ciento más de electrones manteniendo ese mismo alto nivel de pureza. Esta mejora no fue uniforme en todas las velocidades; los algoritmos tuvieron que ser enseñados de manera diferente dependiendo de qué tan rápido se movían las partículas. Al entrenar modelos separados para diferentes rangos de momento, el equipo aseguró que el sistema mantuviera la precisión incluso para las partículas más rápidas, donde los métodos tradicionales tienden a fallar.

Uno de los descubrimientos más interesantes fue cómo los dos modelos de aprendizaje automático abordaron el problema de manera diferente. La red neuronal tendía a depender fuertemente de la relación entre la energía y el momento de una partícula, una medición que es particularmente útil para identificar electrones a altas velocidades. El árbol de decisión, por otro lado, utilizó frecuentemente la medición de la pérdida de energía en el gas, independientemente de la velocidad de la partícula. Esta diferencia sugiere que los dos algoritmos encontraron distintas formas de distinguir la señal del ruido, pero ambos tuvieron éxito donde el método antiguo flaqueaba. El resultado es una herramienta que permite a los físicos ver más de los raros electrones que escapan de la colisión, duplicando efectivamente la cantidad de datos utilizables que pueden reunir para su análisis.

Este trabajo representa un paso crucial hacia adelante para el Detector Multipropósito mientras se prepara para comenzar sus operaciones. Las técnicas de aprendizaje automático descritas aquí no son solo ejercicios teóricos; son herramientas prácticas que se utilizarán para analizar datos reales una vez que el detector esté plenamente comisionado. Al mejorar la capacidad de identificar electrones, el experimento podrá estudiar las propiedades del Plasma de Quarks-Gluones con mucha mayor precisión. Los investigadores señalan que, aunque estos resultados provienen de simulaciones, proporcionan una base sólida para el análisis de datos reales. La capacidad de extraer más señal de la misma cantidad de datos significa que el experimento podrá responder preguntas fundamentales sobre la naturaleza de la materia y el universo temprano con una claridad que antes estaba fuera de su alcance.