AI-Driven Discovery of Information-Efficient Collider Observables for Interference Measurements

Resumen Técnico: Descubrimiento Impulsado por IA de Observables de Colisionador Eficientes en Información para Mediciones de Interferencia

Enunciado del Problema
Los programas futuros de colisionadores están entrando en un régimen de precisión donde el desafío central es discriminar deformaciones sutiles del Modelo Estándar (ME) utilizando información de eventos de alta dimensión. En este contexto, la sensibilidad suele estar gobernada por la interferencia cuántica. Si bien la sonda óptima a nivel de evento es teóricamente la función de puntuación (la derivada del logaritmo de la verosimilitud con respecto al parámetro de interés), la cual satura el límite de información de Fisher, esta puntuación rara vez está disponible en una forma analítica compacta que sea transparente, portátil y robusta experimentalmente.

Los enfoques actuales enfrentan una compensación:

1. Observables analíticos: Físicamente interpretables y experimentalmente estables, pero a menudo construidos a mano, potencialmente omitiendo correlaciones importantes a través del espacio de fases.
2. Enfoques de Aprendizaje Automático (ML): Pueden acercarse al rendimiento estadístico óptimo explotando características de alta dimensión, pero generalmente dependen de arquitecturas de "caja negra" cuyas estructuras aprendidas son difíciles de interpretar físicamente.

El objetivo es construir observables compactos e interpretables que retengan información de puntuación relevante para el parámetro, manteniéndose analíticos y portátiles experimentalmente.

Metodología
Los autores proponen un marco que reformula el diseño de observables óptimos como un problema de descubrimiento simbólico. La metodología emplea evolución simbólica impulsada por IA para descubrir sustitutos analíticos para observables de alto rendimiento.

• Objetivo Estadístico: El objetivo de optimización es la función de puntuación local, estimada numéricamente mediante reponderación de elementos de matriz. Para un parámetro de deformación $\kappa$, el peso del evento se expande como $w(x|\kappa) = c_0(x) + \kappa c_1(x) + \kappa^2 c_2(x)$. La estadística localmente óptima es la relación $t(x) = c_1(x)/c_0(x)$, que coincide con la puntuación hasta un desplazamiento independiente de $x$.
• Estrategia de Búsqueda: Una búsqueda evolutiva (guiada por un Modelo de Lenguaje Grande para la generación de propuestas, mutación y cruce) explora un espacio de funciones motivado por la física. Este espacio se construye a partir de variables cinemáticas medidas y operaciones analíticas simples (sumas, productos, funciones trigonométricas, etc.).
• Función de Aptitud: La búsqueda maximiza la eficiencia de información de Fisher, definida como $\epsilon[f] = I[f] / I_{\text{full}}$, donde $I[f]$ es la información de Fisher retenida después de comprimir la cinemática del evento en un observable unidimensional $y=f(x)$.
• Restricciones: La búsqueda no asume una entrada de amplitud analítica; utiliza la puntuación solo como una dirección objetivo. Las expresiones resultantes están restringidas a ser funciones analíticas compactas.

Contribuciones y Resultados Clave
El estudio se centra en la interacción sensible a la CP $HZ_{\mu\nu}\tilde{Z}^{\mu\nu}$ y evalúa dos realizaciones distintas de colisionadores:

1. Producción Asociada: $e^+e^- \to Z(\to \mu^-\mu^+)H$ en un colisionador de leptones.
2. Canal de Desintegración: $pp \to H \to ZZ^* \to e^-e^+\mu^-\mu^+$ en un colisionador de hadrones.

Hallazgos para Producción Asociada ($e^+e^- \to ZH$):

• Línea Base: La mejor línea base angular simple, $\sin(2\phi^*)$, alcanza una eficiencia de Fisher de $\epsilon \simeq 0.059$.
• Observable Descubierto: La búsqueda simbólica identificó una función analítica compacta $f_{\text{ext}}$ que combina:
  • Un armónico de interferencia sensible a la CP (transversal-transversal y longitudinal-transversal).
  • Mapeos de asimetría en el marco de laboratorio (asimetría de energía $A_E$ y asimetría de momento transversal $A_{pT}$) que actúan como sustitutos de factores polares de desintegración.
  • Un prefactor cinemático suave que involucra el momento transversal del bosón $Z$, $(p_T^Z)^2 / ((p_T^Z)^2 + p_0^2)$.
• Rendimiento: El observable aprendido alcanza $\epsilon \simeq 0.102$, representando una mejora del 74% en la eficiencia de información sobre la mejor línea base angular. La expresión recupera armónicos característicos de interferencia de helicidad y sigue la puntuación de manera más monótona.

Hallazgos para Desintegración a Cuatro Leptones ($H \to 4\ell$):

• Línea Base: La línea base angular estándar $\sin(\phi_1^* + \phi_2^*)$ tiene una eficiencia muy baja de $\epsilon \simeq 2.3 \times 10^{-4}$.
• Observable Descubierto: La búsqueda identificó $O_{4\ell} = r_Z(1-r_Z) \sin(2\theta_1^*) \sin(2\theta_2^*) \sin(\phi_1^* + \phi_2^*)$, donde $r_Z$ es un factor de relación de masas.
• Rendimiento: La eficiencia mejora a $\epsilon \simeq 1.9 \times 10^{-2}$. El núcleo angular domina la retención de información, mientras que el factor de relación de masas sirve como un prefactor representativo acotado.
• Asimetría: Aplicar un corte alrededor de $|O_{4\ell}| \simeq 0.05$ mejora la medida de significancia basada en asimetría ($S_{\text{asym}}/\sqrt{D_{\text{SM}}}$) en aproximadamente un 30%.

Estructura General de los Observables Descubiertos
En ambos canales, los observables descubiertos siguen una estructura esquemática:
$$f(x) \sim (\text{Núcleo de Interferencia}) \times (\text{Mapeo o Prefactor Dependiente del Proceso})$$
El "Núcleo de Interferencia" captura la geometría de interferencia de helicidad sensible a la CP, mientras que el "Mapeo/Prefactor" utiliza variables cinemáticas específicas del proceso (como asimetrías en el marco de laboratorio o relaciones de masas) para estabilizar la proyección o mejorar la separación de regiones de interferencia.

Significado y Afirmaciones
El artículo afirma demostrar que:

1. Descubrimiento Simbólico: El diseño de observables óptimos puede reformularse con éxito como un problema de descubrimiento simbólico, donde expresiones analíticas interpretables emergen directamente de la geometría de la interferencia en el espacio de fases.
2. Eficiencia de Información: La evolución simbólica impulsada por IA puede descubrir observables que retienen sustancialmente más información de Fisher local que las líneas base angulares estándar, manteniéndose compactos y analíticos.
3. Transparencia: Las expresiones resultantes proporcionan una ruta transparente hacia sondas eficientes en información, revelando la geometría de interferencia subyacente en forma analítica. Esto cierra la brecha entre el diseño analítico tradicional y la optimización basada en datos moderna.
4. Alcance: Los resultados presentados son puntos de referencia locales de Fisher a nivel de verdad. Los autores declaran explícitamente que incorporar showers de partones, respuesta del detector y fondos continuos, así como extender la búsqueda a objetivos orientados a la verosimilitud, son pasos naturales siguientes no cubiertos en este trabajo.

El trabajo sugiere que la estructura de mediciones estadísticamente eficientes puede ser descubierta e interpretada en sí misma como un objeto físico, ofreciendo una ruta sistemática hacia observables eficientes en información en estudios de precisión de colisionadores.