⚛️ high-energy experiments

Data Preservation in High Energy Physics: Global Report 2026

El Informe Global de 2026 sobre la Preservación de Datos en la Física de Altas Energías destaca avances significativos en la revitalización de datos heredados y la integración de la automatización impulsada por IA, al tiempo que subraya la necesidad crítica de un financiamiento sostenido y apoyo institucional para asegurar la sostenibilidad a largo plazo de la ciencia abierta y los principios de datos FAIR.

Autores originales: Matthew Bellis, Jamie Boyd, Daniel Britzger, Andy Buckley, Chris Burr, Micheal Buchar, Gang Chen, Andrew Chisholm, Jiri Chudoba, Michael Davis, Cristinel Diaconu, David Dobrigkeit Chinellato, Marcus E

Publicado 2026-07-09

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Matthew Bellis, Jamie Boyd, Daniel Britzger, Andy Buckley, Chris Burr, Micheal Buchar, Gang Chen, Andrew Chisholm, Jiri Chudoba, Michael Davis, Cristinel Diaconu, David Dobrigkeit Chinellato, Marcus Ebert, Apranik Fatehi, Dillon S. Fitzgerald, Jose Benito Gonzalez Lopez, Richard William Gran, Giovanni Guerrieri, Martin Habedank, Hao Hu, David Horvat, Luka Lambrecht, Clemens Lange, Kati Lassila-Perini, Jerome Lauret, Jean-Yves Le Meur, Dietrich Liko, Panna Liptak, Zach Marshall, Thomas McCauley, Cameron Duncan McClymont, Wesley Middelbos, Micha Moskovic, Piet Nogga, Ryunosuke O'Neil, Stefano Piano, Alan Price, Tomasz Procter, Fazhi Qi, Diana Rand, Hossein Rashidi, Emily Rensch, Pablo Saiz, Ulrich Schwickerath, Tibor Šimko, Andrii Verbytskyi, Dirk Zerwas, Zhengde Zhang, Graham Wilson

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

Imagina el mundo de la física de altas energías como una enorme biblioteca global construida para estudiar los componentes fundamentales del universo. Durante décadas, los científicos han estado realizando experimentos gigantes (como el LEP, el LHC y otros) que generan montañas de datos: billones de "páginas" digitales que describen cómo colisionan y se comportan las partículas.

Este informe, titulado "Preservación de Datos en Física de Altas Energías: Informe Global 2026", es un control de estado sobre qué tan bien se está manteniendo esta biblioteca. No se trata solo de guardar libros en un estante; se trata de asegurar que, dentro de 20 o 50 años, un nuevo científico pueda entrar, tomar un libro escrito en un lenguaje olvidado y aún así entender la historia, ejecutar los experimentos descritos en él e incluso escribir nuevos capítulos basados en historias antiguas.

Aquí hay un desglose de los puntos clave del documento utilizando analogías cotidianas:

1. El problema de la "Cápsula del Tiempo": Mantener vivos los datos antiguos

El informe destaca que los científicos están recuperando con éxito datos de experimentos que terminaron hace décadas (como el colisionador LEP de la década de 1990).

La Analogía: Imagina encontrar un libro de recetas manuscrito y polvoriento de 1990. Los ingredientes están listos en un lenguaje que ya nadie habla y las herramientas de cocina son obsoletas.
El Logro: El documento muestra que los científicos han logrado "traducir" estas viejas recetas. Convirtieron los datos a formatos modernos (como convertir una nota escrita a mano en un PDF digital) y utilizaron "herramientas de cocina" modernas (IA y aprendizaje automático) para reanalizar los datos antiguos.
El Resultado: Descubrieron que el uso de técnicas modernas en estos datos antiguos en realidad hace que los resultados sean mejores que cuando se realizó el experimento por primera vez. Por ejemplo, utilizaron datos antiguos para identificar tipos específicos de chorros de partículas con mucha más precisión que antes.

2. La "Biblioteca" frente al "Almacén" (Datos Abiertos)

CERN (el gran laboratorio en Europa) tiene una política para liberar datos al público después de unos años.

La Analogía: Piensa en el laboratorio como una biblioteca. Algunos libros están "Calientes" (en el mostrador principal, fáciles de agarrar) y otros están "Fríos" (almacenados en un sótano profundo y con clima controlado porque se consultan rara vez, pero deben mantenerse seguros).
La Innovación: El informe describe un nuevo sistema de "Almacenamiento en Frío" utilizando cintas magnéticas (como cintas de VHS gigantes y de alta tecnología). Esto les permite almacenar cantidades masivas de datos (más de 5 petabytes, lo que equivale a 5 millones de DVDs) de forma económica.
El Problema: Si quieres un libro "Frío", tienes que pedirlo, y puede que tarde unos días en ser sacado del sótano y llevado al mostrador. Pero esto ahorra dinero y asegura que los datos no se pierdan.

3. El "Fantasma en la Máquina" (Preservación de Software)

Los datos no sirven de nada sin el software que los creó.

La Analogía: Imagina que tienes un archivo de video, pero el software necesario para reproducirlo solo funciona en una computadora de 1995 que ya no existe.
La Solución: El informe detalla cómo mantienen vivos estos computadores "fantasma". Utilizan "Máquinas Virtuales" (máquinas del tiempo digitales) que simulan los sistemas operativos antiguos. Esto permite a los científicos ejecutar exactamente el mismo software de hace 20 años en una laptop moderna, asegurando que los datos puedan seguir siendo leídos y analizados exactamente como se pretendía.

4. El "Bibliotecario de IA" (Nuevas Tecnologías)

El informe está muy entusiasmado con el uso de la Inteligencia Artificial (IA) para ayudar a gestionar esta biblioteca.

La Analogía: En lugar de un bibliotecario humano leyendo manualmente cada libro para ver qué contiene, están construyendo un bibliotecario de IA que puede leer miles de artículos científicos en segundos.
La Aplicación:
- Encontrar Datos: La IA puede leer un artículo publicado y decirte automáticamente: "Este autor utilizó 500 gigabytes de datos de la ejecución de 2017". Esto ayuda a rastrear cómo se utiliza realmente la información.
- Escribir Código: Se está enseñando a la IA para que ayude a escribir las "recetas" (flujos de trabajo de análisis) para nuevos experimentos, reduciendo el error humano.
- Charlar con la Historia: Están construyendo "Chatbots" (como una versión especializada de Siri o Alexa) que pueden responder preguntas sobre experimentos antiguos buscando a través de décadas de notas técnicas y manuales, ayudando a los nuevos científicos a aprender rápidamente.

5. El "Elemento Humano" (El Riesgo de Perder el Conocimiento)

El informe advierte que, si bien somos buenos preservando los datos, corremos el riesgo de perder el conocimiento de cómo usarlos.

La Analogía: Puedes guardar un coche en un garaje durante 50 años, pero si el mecánico original que sabe cómo arreglar el motor se jubila y muere, y el manual se pierde, el coche es solo una caja de metal pesada.
El Desafío: Muchos expertos que construyeron estos experimentos se están jubilando. El informe enfatiza que necesitamos capturar su "conocimiento tácito" (aquello que saben pero que no escribieron) antes de que se vayan. Están utilizando la IA para ayudar a entrevistar a estos expertos y convertir sus memorias en bases de datos de búsqueda.

6. El "Esfuerzo Global"

Esto no está sucediendo solo en un laboratorio.

La Analogía: Es como una coalición global de bibliotecas trabajando juntas para asegurar que, si una biblioteca se quema, los libros estén seguros en otra.
La Acción: Diferentes países y laboratorios (en Europa, EE. UU., China, etc.) están creando copias de respaldo de los datos en diferentes ubicaciones. También están acordando "lenguajes" comunes (estándares) para que un libro de una biblioteca en EE. UU. pueda ser leído por un bibliotecario en China sin problemas de traducción.

Resumen

El documento afirma que la preservación de datos está funcionando, pero es una carrera contra el tiempo.

Éxito: Podemos revivir con éxito los datos antiguos, usar la IA moderna para analizarlos y almacenarlos de forma económica para el futuro.
Desafío: Debemos actuar rápido para salvar el "conocimiento humano" de cómo usar estos datos, y debemos asegurar que tenemos suficiente dinero y espacio de almacenamiento para mantener la "biblioteca" abierta para siempre.

El objetivo final es asegurar que los datos únicos de estos experimentos masivos sigan siendo un recurso vivo para las generaciones futuras, no solo un cementerio digital.

Resumen Técnico: DPHEP-2026-01 – Preservación de Datos en Física de Altas Energías: Informe Global 2026

Planteamiento del Problema
La comunidad de la Física de Altas Energías (HEP, por sus siglas en inglés) enfrenta un desafío crítico para mantener la usabilidad científica a largo plazo de los datos experimentales a medida que los experimentos legados concluyen sus operaciones y las nuevas instalaciones generan volúmenes de datos sin precedentes. El problema central trasciende el simple almacenamiento a nivel de bits; implica preservar la cadena completa de análisis, incluyendo entornos de software, condiciones de calibración, documentación y conocimiento tácito, para garantizar la reproducibilidad y permitir la reinterpretación futura. Se han identificado problemas clave, como la rápida obsolescencia de los stacks de software legados (por ejemplo, FORTRAN77, ZEBRA, X11), el alto costo de mantener recursos computacionales activos para experimentos antiguos, el riesgo de pérdida de datos debido a fallos de hardware en sistemas legados y la dificultad de integrar técnicas modernas de IA/ML con conjuntos de datos archivados. Además, existe la necesidad de equilibrar las políticas de datos abiertos con la sostenibilidad del almacenamiento, particularmente a medida que los volúmenes de datos superan los 5 PB, lo que requiere soluciones de almacenamiento en frío rentables sin comprometer la accesibilidad.

Metodología
El informe sintetiza las contribuciones del 5º Taller DPHEP (marzo de 2026), cubriendo un amplio espectro de enfoques experimentales y técnicos:

Revitalización y Modernización de Datos Legados: Diversos experimentos (ALEPH, DELPHI, OPAL, BABAR, H1) están empleando estrategias para cerrar la brecha entre los marcos legados y los modernos. Esto incluye la conversión de formatos de datos legados (por ejemplo, bancos ZEBRA) a estándares modernos como EDM4HEP y Key4hep, y la utilización de entornos contenedorizados (CVMFS, VMs) para ejecutar stacks de software legados en sistemas operativos contemporáneos.
Datos Abiertos y Pipelines de Reanálisis: Los experimentos están implementando estrategias de liberación de datos por niveles. ATLAS y CMS utilizan formatos ligeros (PHYSLITE) y generadores de eventos (HEPMC) para educación e investigación. LHCb ha desarrollado un "Servicio de Ntupling" que permite la producción bajo demanda de conjuntos de datos listos para el análisis a partir de archivos internos masivos, evitando la necesidad de liberar petabytes de datos brutos. MINERvA ha liberado árboles ROOT planos y marcos de software para uso de la comunidad.
Infraestructura y Almacenamiento: El portal de Open Data de CERN ha implementado una arquitectura de almacenamiento en frío utilizando el CERN Tape Archive (CTA) y el File Transfer Service (FTS) para gestionar datos que exceden los 5 PB, equilibrando el rendimiento de disco con el costo de la cinta. La Plataforma de Preservación de CERN utiliza pipelines conformes a OAIS (Archivematica) para la ingesta y preservación de contenido digital diverso (tesis, documentación, código) de varios repositorios.
IA y Automatización: El informe detalla la integración de la IA en la curaduría y el análisis de datos. Esto incluye el uso de Modelos de Lenguaje de Gran Escala (LLMs) para extraer metadatos de conjuntos de datos de artículos científicos, agentes de IA (DORA) para automatizar la gestión del ciclo de vida de los datos y la completitud de metadatos, y la autoría de flujos de trabajo asistida por IA (REANA) para reducir errores en el análisis reproducible.
Preservación del Conocimiento: Enfoques como el "SciBot" en BNL utilizan la Generación Aumentada por Recuperación (RAG) para hacer que el conocimiento institucional fragmentado (cuadernos de bitácora, notas técnicas) sea buscable mediante lenguaje natural, manteniendo al mismo tiempo la soberanía de los datos.

Contribuciones Clave

Valor Científico Demostrado de los Datos Legados:
- ALEPH: El reanálisis de datos de 1994 utilizando clasificadores de sabor de jets basados en aprendizaje profundo (ParticleTransformer) logró una mejora de un orden de magnitud en el rechazo de fondo en comparación con los algoritelos legados para el etiquetado de b-jets.
- OPAL: Reprocesamiento exitoso de datos de hace 26 años utilizando herramientas modernas (CVMFS, GEANT3) para mejorar las incertidumbres sistemáticas en el conteo de neutrinos radiativos.
- Cámara de Burbujas: Un estudio de viabilidad demostró que la película fotográfica digitalizada de la cámara de burbujas de 2 m de CERN de la década de 1960 puede utilizarse para reconstruir trayectorias de partículas y masas invariantes (por ejemplo, $K^0_S$ ), basándose únicamente en la documentación técnica archivada.
Transiciones Tecnológicas:
- Conversión de Formatos: El proyecto "Amphitrite" está convirtiendo los datos legados de DELPHI a EDM4HEP, permitiendo el uso de herramientas modernas de ROOT RDataFrame y Python.
- Evolución de Herramientas: Los analistas de BABAR transicionaron con éxito de los flujos de trabajo legados de Tcl/ROOT a herramientas modernas de Python (Awakward, Uproot, Scikit-learn) para analizar ntuples planos, permitiendo que estudiantes de pregrado contribuyan a búsquedas de física legadas (por ejemplo, violación del número bariónico).
- Benchmarking de Generadores: El paquete k4GeneratorsConfig proporciona un enfoque unificado y automatizado para configurar y evaluar comparativamente los generadores de Monte Carlo para futuros colisionadores electrón-positrón, asegurando la reproducibilidad.
Avances en Infraestructura y Política:
- Almacenamiento en Frío: El portal de Open Data de CERN movió con éxito ~1.8 PB de datos a almacenamiento en frío basado en cinta, procesando más de 140 solicitudes de preparación (staging) de la parte pública, demostando la viabilidad de la preparación automatizada de cintas.
- Políticas de Preservación de Datos: ATLAS y CMS han refinado sus políticas para liberar formatos de datos específicos (PHYSLITE) y objetos de análisis, mientras que el Servicio de Ntupling de LHCb ofrece un modelo escalable para proporcionar acceso abierto a los datos de la Run 2 sin liberar el conjunto completo de datos brutos.
- Preservación Holística: El programa DAPP del Brookhaven National Laboratory (BNL) describe una estrategia de dos fases (reprocesamiento intensivo seguido de preservación funcional) e integra la IA (SciBot) para la transferencia de conocimiento, abordando la brecha de la "experiencia humana".
Estándares y Marcos de Trabajo:
- EOSC EDEN: Define Procesos de Preservación Centrales (CPPs) y servicios compartidos para alinear las prácticas de preservación digital en diversas disciplinas científicas.
- REANA: Soporte mejorado para flujos de trabajo Dask y autoría de análisis asistida por IA, facilitando la reutilización de los datos preservados para la reinterpretación.

Resultos

Crecimiento de Publicaciones: Las publicaciones que citan los datos abiertos de LEP han aumentado significamente; DELPHI y OPAL lanzaron nuevas políticas de acceso a datos y conjuntos de datos en 2025–2026.
Mejoras de Rendimiento: Las técnicas modernas de IA aplicadas a los datos de ALEPH duplicaron la eficiencia de señal para el etiquetado de b-tagging manteniendo la misma tasa de fondo.
Estabilidad del Sistema: El sistema LTDA de BABAR, a pesar del hardware envejecido, permanece operativo mediante redundancia, aunque se considera necesaria una transición hacia un archivo público permanente.
Métricas de Adopción: El portal de Open Data de ATLAS registra uso en seis continentes, con calificaciones de satisfacción altas (4.9/5) para materiales educativos. El portal de Open Data de CERN alberga más de 5 PB de datos, con 1.8 PB migrados con éxito a almacenamiento en frío.
Integración de IA: La extracción de uso de conjuntos de datos de artículos mediante LLM logró una alta precisión y bajo costo ($10 por 15 artículos), y el marco DORA demostró la capacidad de generar conjuntos de datos conformes a FAIR y listos para IA a escala de petabytes.

Significancia
El documento afirma que la preservación de datos es un proceso dinámico esencial para nuevos descubrimientos, educación e innovación interdisciplinaria. Su significancia radica en demostrar que:

Los datos legados siguen siendo un recurso valioso: Las técnicas de análisis modernas pueden mejorar drásticamente la precisión de las mediciones de experimentos de décadas de antigüedad (por ejemplo, LEP, cámaras de burbujas).
La sostenibilidad requiere innovación: Ir más allá del simple almacenamiento hacia la "preservación funcional" (preservar la capacidad de analizar) es crítico. Esto implica adoptar formatos modernos (EDM4HEP), automatizar flujos de trabajo (REANA, DORA) y utilizar el almacenamiento en frío para gestionar costos.
La Ciencia Abierta está madurando: El cambio hacia los principios FAIR, las políticas de datos abiertos y la liberación de marcos de análisis (no solo datos) está permitiendo un mayor compromiso de la comunidad, incluyendo a no expertos y estudiantes.
La IA es una herramienta transformadora: La IA no es solo para el análisis, sino que se está integrando en la curaduría de datos, la extracción de metadatos y la preservación del conocimiento, ayudando a cerrar la brecha entre los sistemas legados y las necesidades futuras.

El informe concluye que, si bien existen desafíos respecto al financiamiento, el apoyo institucional y la complejidad del software legado, el enfoque multi-experimental y multi-sitio de la colaboración DPHEP proporciona un marco robusto para asegurar la accesibilidad y utilidad duradera de los conjuntos de datos únicos de la física de altas energías. La revitalización exitosa de los datos de LEP y la implementación de servicios de datos abiertos escalables sirven como prueba de concepto para la viabilidad a largo plazo de la preservación de datos en la física de altas energías.