⚛️ high-energy experiments

MANGO: An Autodiff Neutrino Oscillation Engine for Differentiable Analysis Pipelines

Este artículo presenta MANO, un motor de oscilación de neutrinos totalmente diferenciable que permite un análisis eficiente de extremo a extremo basado en gradientes de escenarios de propagación complejos y diseños experimentales mediante el cálculo de sensibilidades para todas las entradas —incluyendo perfiles de densidad terrestre y parámetros del detector— con una sobrecarga computacional mínima.

Autores originales: Pierre Granger

Publicado 2026-08-14

📖 6 min de lectura🧠 Análisis profundo

CC BY 4.0

Autores originales: Pierre Granger

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

Los fantasmas invisibles y las matemáticas que los mueven

Imagina que el universo está lleno de diminutas partículas fantasmales llamadas neutrinos. Son tan tímidas que pueden atravesar un año luz de plomo sólido sin chocar con nada, y billones de ellos están pasando por tu cuerpo en este mismo instante, pasando completamente desapercibidos. Estas partículas vienen en tres "sabores" (piensa en ellos como diferentes colores: electrónico, muónico y tauónico), y mientras viajan a través de las vastas distancias del espacio o a través de la Tierra, tienen el hábito mágico de cambiar su color. Este fenómeno se llama "oscilación de neutrinos".

Los científicos han estado estudiando a estos cambiaformas durante décadas para comprender las reglas fundamentales del universo. Para lograrlo, construyen detectores masivos en las profundidades del subsuelo y esperan a que un neutrino interactúe. Pero para averiguar qué estaba haciendo el neutrino, necesitan ejecutar simulaciones computacionales complejas. Estas simulaciones actúan como una máquina del tiempo, prediciendo cómo debería comportarse un neutrino mientras viaja a través del núcleo de la Tierra, el manto y la atmósfera.

Durante mucho tiempo, estas simulaciones fueron como una calle de un solo sentido. Podías introducir las condiciones iniciales (de dónde venía el neutrino, qué tan rápido iba) y obtener una respuesta (qué sabor es cuando llega). Pero si querías saber por qué la respuesta cambiaba cuando retocabas un solo número —como la densidad del núcleo de la Tierra o el ángulo con el que el neutrino entraba— tenías que ejecutar toda la simulación de nuevo, cambiar el número ligeramente y ejecutarla otra vez. Era como intentar encontrar la receta perfecta para un pastel horneando uno nuevo cada vez que querías saber si añadir una pizca más de azúcar ayudaría. Funcionaba, pero era lento, torpe y hacía que fuera casi imposible optimizar el experimento en sí.

El nuevo motor: MANGO

Entra MANGO (que significa "MANGO: A Neutrino Gradient Oscillator"). Piensa en MANGO no solo como una calculadora, sino como un motor superinteligente y autoconsciente que puede hacer las matemáticas a la inversa. En el mundo de la informática, esto se llama "diferenciación automática". Mientras que las herramientas tradicionales solo pueden decirte el resultado de un cálculo, MANGO puede decirte exactamente qué tan sensible es ese resultado a cada uno de los ingredientes utilizados para crearlo, todo de una sola vez.

El artículo presenta a MANмGO como una nueva herramienta de código abierto construida sobre un marco de programación moderno llamado JAX. Su superpoder principal es que trata todo el proceso de la física de neutrinos como una única cadena continua de matemáticas. Usualmente, los científicos calculan la probabilidad de que un neutrino cambie de sabor, y luego se detienen. MANGO mantiene la "cadena matemática" abierta. Permite que la computadora rastree la sensibilidad del resultado final a través de toda la respuesta del detector, la forma en que se agrupan los datos e incluso la forma física de la Tierra misma.

Lo que MANGO realmente hace

El investigador construyó MANGO para resolver un dolor de cabeza específico: calcular derivadas (pendientes) de las probabilidades de los neutrinos. En el pasado, calcular estas pendientes era o bien imposible o requería que los científicos escribieran manualmente fórmulas complejas y propensas a errores para cada nuevo escenario. MANGO cambia las reglas del juego al hacer que cada paso del cálculo sea diferenciable.

Esto es lo que el artículo demuestra:

Ve lo invisible: MANGO puede calcular cómo cambia la probabilidad del neutrino si retocas cosas que las fórmulas tradicionales ignoran, como la profundidad exacta del detector, la altura donde el neutrino fue creado en la atmósfera o la densidad de capas específicas dentro de la Tierra.
Maneja lo complejo: La Tierra no es una esfera perfecta con capas suaves; tiene una corteza, un manto y un núcleo, cada uno con diferentes densidades. MANGO puede modelar esta Tierra "por capas" (usando un modelo estándar llamado PREM) e incluso manejar teorías de física no estándar donde los neutrinos podrían interactuar con la materia de formas nuevas o perder su "coherencia" cuántica.
Es increíblemente rápido: El artículo muestra que calcular la sensibilidad para los 369 parámetros diferentes de un modelo de la Tierra por capas (densidades, fracciones electrónicas y radios de las capas) toma solo entre 2.5 y 3 veces más tiempo que ejecutar la simulación una sola vez. Con el método antiguo, hacer esto habría requerido cientos de ejecuciones separadas.
Es preciso: El autor verificó que los resultados de MANGO coinciden con otras herramientas establecidas (como OscProb y NuFast) con una diferencia de apenas una fracción de porcentaje (específicamente, diferencias tan pequeñas como $10^{-9}$ a $10^{-5}$ ). También demostró que las matemáticas funcionan perfectamente incluso cuando los neutrinos pasan a través del núcleo de la Tierra, una región donde las matemáticas suelen volverse muy complicadas.

Una prueba del mundo real: La tomografía de la Tierra

Para demostrar su poder, el autor utilizó MANGO para realizar un análisis "tomográfico" de la Tierra. Imagina intentar averiguar la densidad del núcleo de la Tierra observando los neutrinos que pasan a través de él.

Usando MANGO, no solo adivinaron la densidad; calcularon exactamente cuánta incertidumbre habría en esa medición. Pero aquí está el detalle: luego diferenciaron a través de esa incertidumbre para ver cómo cambiaría si mejoraban la resolución angular del detector (qué tan bien puede el detector distinguir la dirección del neutrino).

En una sola pasada, MANGO calculó que mejorar la capacidad del detector para medir ángulos en solo 0.01 mejoraría la precisión de la medición de la densidad del núcleo de la Tierra en un 7.8%. Este es un tipo de cálculo de "diseño experimental" que antes era inalcanzable porque requería diferenciar a través de toda la cadena de la física, la estadística y el hardware del detector.

Lo que NO es (y lo que NO hace)

Es importante señalar lo que MANGO no es. No es una herramienta para simular neutrinos de alta energía que son absorbidos o destruidos por la Tierra (un proceso llamado atenuación); para eso, todavía se necesitan otras herramientas. Tampoco es una varita mágica que resuelve todos los problemas de física instantáneamente; es una base. El autor establece explícitamente que, si bien MANGO maneja perfectamente la física central de la oscilación, extenderlo para cubrir el transporte de matriz de densidad completa o simulaciones de experimentos completos (como las realizadas por otros grandes paquetes de software) es un trabajo para el futuro.

La conclusión

El artículo presenta a MANGO como un cambio fundamental. Mueve la física de neutrinos de un mundo donde calculas un resultado y luego adivinas manualmente cómo mejorarlo, a un mundo donde la computadora te dice exactamente cómo retocar el experimento, el detector o el modelo para obtener la mejor respuesta posible. Convierte la "caja negra" de la simulación de neutrinos en una máquina transparente y ajustable, permitiendo a los científicos optimizar sus experimentos y comprender el interior de la Tierra con un nivel de precisión y velocidad que antes era inalcanzable. El autor ha puesto el código como código abierto, invitando al resto de la comunidad científica a construir sobre esta nueva base diferenciable.

Resumen Técnico: MANGO – Un motor de autodiferenciación para oscilaciones de neutrinos para procesos de análisis diferenciables

Declaración del Problema
Si bien el cálculo de las probabilidades de oscilación de neutrinos es un problema bien establecido con software altamente optimizado y maduro (por ejemplo, Prob3++, OscProb, GLoBES, NuFast), el cálculo de sus derivadas exactas e integrarlas en procesos de análisis de extremo a extremo que sean diferenciables sigue siendo un desafío no resuelto. Las herramientas existentes sobresalen en la evaluación de probabilidades hacia adelante (forward), pero carecen de derivadas exactas automatizadas. Esta limitación arquitectónica impide la integración de la física de oscilaciones en los modernos flujos de trabajo diferenciables, tales como el Monte Carlo de Hamilton (HMC), la inferencia variacional, los modelos sustitutos (surrogates) neuronales y el diseño experimental basado en gradientes. Además, las fórmulas de derivadas analíticas suelen estar restringidas a regímenes específicos (como densidad constante) y no pueden acomodar fácilmente geometrías complejas (como modelos de la Tierra por capas) o parámetros no estándar (como la profundidad del detector o la altura de producción atmosférica) que no aparecen en las expresiones de probabilidad de forma cerrada.

Metodología
El artículo presenta mango (MANGO: A Neutrino Gradient Oscillator), un motor de oscilación composable implementado nativamente en JAX. En lugar de derivar derivadas analíticas para casos específicos, mango implementa un núcleo de propagación general y se apoya en la Diferenciación Automática (AD) para obtener derivadas exactas con respecto a todas las entradas.

Núcleo de Propagación: El motor soporta propagación en vacío, densidad constante, PREM por capas, perfil arbitrario y propagación solar adiabática. Maneja oscilaciones estándar de tres sabores, así como escenarios de Más Allá del Modelo Estándar (BSM), incluyendo interacciones no estándar (NSI), estados estériles 3+N, decoherencia ambiental y mezcla no unitaria.
Geometría y Diferenciabilidad: El marco trata la geometría de propagación (ángulo cenital, altura de producción, profundidad del detector) como entradas diferenciables. Al construir la cuerda de la trayectoria y las intersecciones de las capas mediante funciones diferenciables de forma cerrada, el motor computa derivadas con respecto a parámetros geométricos que están ausentes en las fórmulas analíticas tradicionales.
Backend Numérico: Para asegurar la precisión numérica y la diferenciabilidad a través de degeneraciones espectrales, mango emplea una expansión de diferencias divididas (Cayley–Hamilton) como su motor de producción por defecto. Este enfoque evita el cálculo explícito de autovectores, evitando así las singularidades de la derivada ( $1/(\lambda_i - \lambda_j)$ ) que afectan a las rutinas de diagonalización estándar cerca de los cruces de niveles de masa. Los backends alternativos incluyen un algoritmo NuFast transcripto en JAX, diagonalización hermítica densa y exponenciales de Padé para verificación.
Modelo de Diferenciabilidad: El motor soporta tanto AD de modo directo (forward-mode) como de modo inverso (reverse-mode). Crucialmente, el costo del modo inverso depende de la dimensión de la salida en lugar de la dimensión de la entrada. Esto permite la evaluación de sensibilidades para cientos de parámetros (por ejemplo, 369 parámetros para un modelo de la Tierra por capas) con un costo adicional constante de solo 2.5 a 3 veces una única pasada hacia adelante.

Contribuciones Clave

Motor Diferenciable Composable: mango proporciona el primer motor de oscilación donde cada cantidad computada es diferenciable con respecto a todas las entradas, incluyendo la geometría de propagación, la profundidad del detector y las densidades de cada capa terrestre.
Cobertura y Alcance: El motor soporta derivadas para cada configuración que maneja (capas de la PREM, perfiles solares continuos, NSI, estados estériles). Permite la diferenciación con respecto a cantidades no presentes en fórmulas analíticas, como los parámetros de la geometría de la cuerda ( $\cos \theta_z$ , $h_{atm}$ , $d_{det}$ ) y las densidades por capa.
Diferenciabilidad de Extremo a Extremo: El grafo de AD no termina en el cálculo de la probabilidad. Fluye continuamente a través de la respuesta del detector, el pesaje de eventos, el agrupamiento en histogramas (binning) y las verosimilitudes (likelihoods). Esto permite que una única llamada a jax.grad devuelva el gradiente de una medida de mérito de un análisis de física con respecto a cualquier cantidad anterior.
Robustez Numérica: Al utilizar diferencias divididas, el motor garantiza derivadas de AD $C^\infty$ suaves a través de cruces exactos de niveles de masa y resonancias MSW, evitando las inestabilidades numéricas asociadas con la diferenciación de autovectores.

Resultados

Precisión: Las probabilidades de tres sabores y de la Tierra por capas coinciden con los benchmarks externos (OscProb, NuFast-Earth) dentro de un rango de $10^{-9}$ a $10^{-5}$ . Todos los modelos hacia adelante, límites BSM y rutas de diferenciación son verificados contra soluciones analíticas exactas y diferencias finitas, con desviaciones relativas típicamente en el rango de $10^{-10}$ a $10^{-5}$ .
Rendimiento: En una GPU NVIDIA A100, el puerto de NuFast de densidad constante corre en 61 ns por punto de energía, mientras que el kernel general de diferencias divididas corre en 116 ns. La ruta de la PREM por capas (que involucra ~50 segmentos) cuesta aproximadamente 158 $\mu$ s por punto.
Escalabilidad: Evaluar las sensibilidades para los 369 parámetros de densidad, fracción electrónica y radio de capa de la Tierra no cuesta más que los 6 parámetros de oscilación estándar (un factor de costo de ~3.0× la pasada hacia adelante). En contraste, las diferencias finitas requerirían aproximadamente 250 veces más evaluaciones.
Demostración: El artículo demuestra un análisis de tomografía terrestre estilizado. En una sola pasada, mango computa la incertidumbre marginalizada de un modelo de densidad radial de seis zonas. Al diferenciar a través de la matriz de Fisher inversa, evalúa la sensibilidad de esta incertidumbre con respecto a la resolución angular del detector. Esto produce una métrica de diseño experimental (por ejemplo, cuánto mejora la precisión de la densidad del núcleo con una mejor resolución angular) que es inalcanzable utilizando las fórmulas de probabilidad analíticas tradicionales.

Significado
El artículo sostiene que mango proporciona un cambio fundamental para los flujos de trabajo de oscilación de neutrinos, pasando de los calculadores tradicionales de solo propagación hacia adelante a un motor diferenciable exacto de extremo a extremo. Su principal significancia radica en permitir la inferencia y el diseño experimental diferenciables, donde los modelos de física, los parámetros de diseño de instrumentos y los procesos de análisis pueden ser diferenciados y optimizados conjuntamente. Al mantener señales de sensibilidad exactas a través de todo el proceso, mango permite:

Diseño Experimental: Optimizar esquemas de agrupación (binning) y evaluar compensaciones de hardware (por ejemplo, resolución angular frente al alcance de la tomografía) mediante el descenso de gradiente.
Ajustes de Alta Dimensión: Permitir la marginalización rápida sobre cientos de parámetros de perturbación (nuisance parameters) usando minimizadores basados en gradientes y HMC.
Inversiones Geofísicas: Facilitar técnicas de inversión basadas en gradientes para reconstruir perfiles de densidad continua del interior de la Tierra directamente a partir de datos de neutrinos.

Este trabajo establece una base diferenciable y composable que conecta la mecánica cuántica fundamental directamente con el potencial de descubrimiento experimental, abordando un cuello de botella crítico en los análisis modernos de alta energía.

Los fantasmas invisibles y las matemáticas que los mueven

El nuevo motor: MANGO

Más como este