Results of the analysis of a survey for young scientists on training quality in HEP instrumentation software and machine learning

Este informe presenta los resultados detallados de una encuesta realizada a 174 investigadores jóvenes para evaluar la accesibilidad y calidad de la formación en software e inteligencia artificial en instrumentación de física de altas energías, con el objetivo de guiar la mejora de dichos programas de capacitación.

Lo esencial

¡Hola! Imagina que el mundo de la física de partículas (donde estudian las partículas más pequeñas del universo) es como una gigantesca cocina de alta tecnología. En esta cocina, los "chefs" son los científicos jóvenes (los investigadores en etapa temprana) y los "utensilios" son el software, la inteligencia artificial y la electrónica que necesitan para cocinar sus descubrimientos.

Este documento es como un reporte de quejas y sugerencias que hizo un grupo de chefs jóvenes para decirle a los organizadores de la cocina: "Oye, nos encanta cocinar, pero nos falta saber usar los nuevos robots de cocina y nadie nos enseñó".

Aquí tienes la historia de lo que descubrieron, explicada de forma sencilla:

1. El Problema: "Tenemos el robot, pero no el manual"

Hace unos años, se dieron cuenta de algo curioso: el 71% de los científicos usaba herramientas de código abierto (como recetas gratuitas en internet), pero el 70% nunca había recibido una clase sobre cómo usarlas.

• La analogía: Es como si te dieran un Ferrari nuevo y te dijeran: "¡A conducir!", pero nadie te enseñó a poner el cambio, a frenar o a usar el GPS. La mayoría aprende por su cuenta, leyendo foros o preguntándole al vecino que ya sabe manejar.

2. La Encuesta: "¿Qué quieren aprender los chefs?"

El grupo organizador (ECFA) hizo una encuesta a 174 científicos jóvenes. La mayoría trabaja en el CERN (el gran laboratorio de partículas en Europa), pero también hay gente de otros lugares.

• ¿Qué hacen? Principalmente analizan datos (como contar cuántas partículas pasaron por un detector).
• ¿Qué quieren aprender? ¡Todo lo relacionado con la Inteligencia Artificial (IA) y estadística avanzada! Es el tema de moda, como si todos quisieran aprender a usar un robot que cocina por ellos.

3. Los Cuatro Grandes Temas de la Cocina

La encuesta se dividió en cuatro áreas clave. Aquí está lo que descubrieron en cada una:

A. Inteligencia Artificial (Machine Learning)

• Situación: Casi todos la usan o quieren usarla. Es el "superpoder" actual.
• El problema: Solo un 6% está satisfecho con lo que sabe. La mayoría aprende solo o con ayuda de colegas.
• Lo que piden: No quieren clases aburridas llenas de fórmulas matemáticas en una pizarra. Quieren práctica real.
  • La metáfora: En lugar de leer un libro de 500 páginas sobre cómo funciona un motor, quieren sentarse en el coche y aprender a conducir con un instructor que les diga: "Gira aquí, acelera allá".
• Preferencia: Manuales con ejemplos claros y talleres cortos y prácticos.

B. Simulación de Detectores

• Situación: Aquí es como si los chefs tuvieran que simular cómo se comportaría la comida antes de cocinarla realmente. Menos gente sabe hacer esto que la IA.
• El problema: Muchos ni siquiera saben que existen escuelas para aprender esto.
• Lo que piden: Cursos más cortos y directos. No quieren teoría pesada, quieren ver cómo usar el software específico (como Geant4) para resolver problemas reales.

C. Sistemas de Datos y Control (DAQ)

• Situación: Imagina que el detector es una cámara de seguridad que graba millones de videos por segundo. El sistema DAQ es quien decide qué guardar y qué borrar.
• El problema: La mitad de los jóvenes ni siquiera sabe que existen clases para esto.
• Lo que piden: Documentación clara y talleres rápidos. Quieren saber cómo configurar el sistema para que no se bloquee.

D. Electrónica de Detectores

• Situación: Esto es el "cableado" y los "circuitos" que conectan el detector con el ordenador. Es la parte más técnica y la que menos gente estudia.
• El problema: ¡Nadie ha ido a una escuela específica sobre esto! Todos aprenden "a la antigua", probando y fallando.
• Lo que piden: Igual que en los otros temas: menos teoría, más práctica con herramientas reales.

4. La Gran Conclusión: ¿Qué quieren los jóvenes?

Si tuviéramos que resumir todo el reporte en una sola frase, sería esta: "¡Menos teoría aburrida, más manos a la obra!".

• El patrón común: En todos los temas, los jóvenes prefieren:

  1. Manuales con ejemplos (recetas paso a paso).
  2. Talleres cortos (clases de 2 horas, no de 2 semanas).
  3. Práctica con expertos (que alguien les enseñe a usar el software en tiempo real).
  4. Proyectos en equipo (cocinar juntos).

• Lo que NO quieren: Clases muy largas, teoría matemática sin contexto y horarios que no les permiten practicar después de la clase.

5. El Plan de Acción: ¿Qué van a hacer?

Los organizadores de la cocina (el CERN y el ECFA) han entendido el mensaje. Sus recomendaciones son:

1. Crear un "Google" de las escuelas: Hacer una página web central donde puedas filtrar las clases por nivel (principiante, experto) y tema, para que nadie se pierda.
2. Publicar los manuales: Si dan una clase, que el material quede disponible en internet para que la gente lo estudie a su propio ritmo.
3. Cambiar el formato: Hacer cursos más prácticos, con más ejercicios reales y menos teoría pura.

En resumen: Los científicos jóvenes están listos para usar las herramientas más modernas de la física, pero necesitan que les enseñen de una manera que sea útil, práctica y fácil de entender, en lugar de llenarlos de información teórica que no saben cómo aplicar. ¡Es hora de pasar de la teoría a la cocina real!

Resumen técnico

A continuación se presenta un resumen técnico detallado del informe titulado "Resultados del análisis de la encuesta para jóvenes científicos sobre la calidad de la formación en software de instrumentación HEP y aprendizaje automático", elaborado por el Panel de Investigadores Tempranos (ECR) de ECFA.

1. Problema y Contexto

El informe aborda una brecha crítica identificada en un estudio previo de 2021: aunque el 71% de los investigadores utilizaban herramientas de software de código abierto en su trabajo de instrumentación, el 70% reportó no haber recibido ninguna formación específica para dichas herramientas.

A pesar de la creciente complejidad y volumen de datos en la Física de Altas Energías (HEP), y la adopción masiva de técnicas de aprendizaje automático (ML) y simulación, los investigadores tempranos (ECR) carecen de acceso estructurado, visible y de alta calidad a programas de formación. El problema central se define por:

• Falta de visibilidad: Más de la mitad de los encuestados desconoce las oportunidades de formación existentes.
• Deficiencias en la formación actual: Las escuelas y talleres existentes a menudo son demasiado teóricos, rápidos, carecen de ejemplos prácticos relevantes para HEP o presentan barreras de acceso (zonas horarias, recursos computacionales).
• Dependencia del aprendizaje autodidacta: La comunidad depende mayoritariamente de la autoformación o de la ayuda de colegas, en lugar de programas formales.

2. Metodología

El Grupo de Software y Aprendizaje Automático para Instrumentación del Panel ECR de ECFA diseñó y ejecutó una nueva encuesta en 2025 para evaluar la accesibilidad, calidad y necesidades de formación.

• Muestra: 174 participantes, principalmente investigadores tempranos (postdoctorales y estudiantes de máster), con un 86% basado en Europa y el resto distribuido en Asia, América y África.
• Estructura de la encuesta:
  1. Sección General: Caracterización demográfica, experiencia en colaboraciones (principalmente LHC) y áreas de investigación.
  2. Accesibilidad y Calidad: Evaluación del conocimiento sobre escuelas existentes, asistencia y satisfacción.
  3. Módulos Específicos: Preguntas detalladas dirigidas a subgrupos interesados en cuatro áreas técnicas:
     • Aprendizaje Automático (ML).
     • Simulación de Detectores.
     • Adquisición de Datos (DAQ) y Sistemas de Control de Detectores (DCS).
     • Electrónica de Detectores.
• Análisis: Se recopilaron datos cuantitativos sobre el uso de herramientas, métodos de aprendizaje y preferencias curriculares, así como respuestas cualitativas sobre desafíos y sugerencias.

3. Contribuciones Clave

El informe ofrece una hoja de ruta basada en datos para reorganizar la formación en HEP:

• Diagnóstico de Brechas: Identifica que la mayoría de los ECRs no asisten a escuelas formales (solo el 28.7% en general) y que la falta de información es una barrera mayor que la falta de interés.
• Preferencias Curriculares Cuantificadas: Proporciona porcentajes específicos sobre cómo los investigadores prefieren estructurar los cursos (ej. 20% sesiones prácticas, 10% teoría), sirviendo como guía para organizadores.
• Recomendaciones de Infraestructura: Propone la creación de un portal centralizado con filtros avanzados (nivel, tema) y la publicación pública de documentación de cursos para facilitar el aprendizaje asíncrono.

4. Resultados Detallados por Área

A. Situación General y Accesibilidad

• Conciencia: >50% desconoce las escuelas disponibles.
• Asistencia: Solo el 28.7% ha asistido a una escuela. De los asistentes, el 56.9% fue a escuelas de ML.
• Satisfacción: >72% de los asistentes reportaron una satisfacción superior al 70%, pero se criticó la falta de ejemplos prácticos y el ritmo acelerado.
• Barreras: Zonas horarias, falta de recursos de cómputo para prácticas post-curso y documentación dispersa.

B. Aprendizaje Automático (ML)

• Uso: El 98% utiliza o tiene interés en ML; solo el 2% no lo necesita.
• Herramientas: Dominio de librerías basadas en Python (PyTorch, Keras/TensorFlow). ROOT-TMVA también es relevante. Scikit-Learn y XGBoost se usan para tareas no neuronales.
• Uso: Principalmente tareas de clasificación (etiquetado de jets, eventos) y reconstrucción (clustering, tracking).
• Formación: 66% aprende por cuenta propia o con colegas. Solo el 9% asistió a una escuela de ML.
• Preferencias: Se prioriza la documentación exhaustiva con ejemplos (25%) y talleres cortos (21%) sobre cursos largos. Se desea menos teoría matemática pura y más integración práctica.

C. Simulación de Detectores

• Uso: El 56% tiene experiencia; el 6% no lo necesita.
• Herramienta Principal: Geant4 es la herramienta más solicitada.
• Formación: El 80% aprende por autoformación o colegas. El 42% desconoce la existencia de escuelas sobre el tema.
• Preferencias: Se valora más la documentación detallada (30%) y los talleres cortos (24%) que las escuelas largas (15%).

D. Adquisición de Datos (DAQ) y Control (DCS)

• Interés: El 43% está involucrado o interesado.
• Herramientas: Grafana, Vivado y LabView son las más citadas.
• Brecha de Conocimiento: El 44% usa software pero quiere profundizar; el 40% quiere aprender pero no lo usa aún. Solo el 4% está satisfecho con su nivel actual.
• Formación: El 47% no conoce escuelas de DAQ. El 14% no puede asistir por falta de fondos.
• Preferencias: Documentación y talleres cortos (27% cada uno) son los métodos más efectivos.

E. Electrónica de Detectores

• Participación: Es el bloque con menor participación (1/3 de los encuestados).
• Herramientas: Software de Automatización de Diseño Electrónico (EDA). Solo el 20% lo usa actualmente, pero el 66% de los no usuarios desea aprenderlo.
• Formación: Cero asistencia a escuelas reportada en este bloque. El 50% desconoce su existencia.
• Preferencias: Similar a otros bloques, se prioriza documentación y talleres cortos (30% cada uno).

5. Significado y Conclusiones

El informe concluye que existe una demanda masiva y no satisfecha de formación práctica en instrumentación HEP. La comunidad de ECRs prefiere un enfoque de "aprendizaje justo a tiempo" (just-in-time) en lugar de cursos teóricos extensos.

Recomendaciones Estratégicas:

1. Cambio de Modelo: Priorizar talleres cortos, enfocados y con ejemplos reales de HEP sobre escuelas de una semana de duración.
2. Curriculum Balanceado: Distribuir el tiempo de los cursos aproximadamente como: 20% sesiones prácticas con expertos, 20% talleres de mejores prácticas, 15% software específico, 15% proyectos (individuales/equipo) y solo 10% introducción teórica.
3. Accesibilidad: Crear un portal centralizado de formación con filtros claros (nivel de dificultad, tema) para resolver el problema de visibilidad.
4. Recursos Abiertos: Publicar toda la documentación, tutoriales y materiales de las escuelas existentes para permitir el aprendizaje autodirigido y asíncrono, mitigando problemas de zonas horarias y financiación.

Este documento sirve como una guía fundamental para que ECFA y las colaboraciones de HEP rediseñen sus programas de capacitación, asegurando que la próxima generación de científicos esté mejor equipada para manejar las herramientas computacionales y de instrumentación críticas para el futuro de la física de partículas.