NAE, Statistically

En el Gran Colisionador de Hadrones, una máquina masiva enterrada bajo la frontera entre Francia y Suiza, los físicos hacen chocar protones a velocidades cercanas a la de la luz. El objetivo es encontrar indicios de una nueva física desconocida que pueda explicar los misterios más profundos del universo. Durante décadas, la estrategia ha sido suponer cómo podría ser una nueva partícula, construir un modelo computacional de esa suposición y luego buscarla en los datos de las colisiones. Pero, ¿qué pasaría si la nueva física no se parece en nada a nuestras suposiciones? ¿Qué pasa si está oculta de una manera que no hemos imaginado? En años recientes, los científicos han recurrido a la inteligencia artificial para que actúe como una guía. En lugar de buscar un objetivo específico, estos programas informáticos aprenden cómo es lo "normal" basándose en la gran mayoría de los datos, y luego señalan cualquier cosa que parezca extraña o inusual. Este enfoque es poderoso, pero tiene un fallo importante: la computadora da una puntuación diciendo que algo es raro, pero no puede decirle al físico cuánto confiar en esa puntuación. Sin una forma de medir la fiabilidad del resultado, la búsqueda sigue siendo científicamente incompleta.

Un equipo de investigadores de la Universidad de Heidelberg ha desarrollado un nuevo método para solucionar este problema. Crearon un sistema que no solo detecta los eventos inusuales, sino que también calcula la certeza estadística de su propio juicio. El núcleo de su trabajo involucra un tipo de red neuronal llamada autoencoder (autoencodificador). Imagine una máquina que intenta comprimir una imagen compleja en un pequeño resumen y luego reconstruir la imagen a partir de ese resumen. Si la máquina se entrena solo con datos normales, se vuelve muy buena reconstruyendo cosas normales. Cuando ve algo extraño, falla al reconstruirlo adecuadamente, y el error en la reconstrucción se convierte en una señal de que algo es nuevo. Sin embargo, los investigadores se dieron cuenta de que simplemente medir este error no era suficiente. Necesitaban conectar ese error con una probabilidad, una forma matemática de decir qué tan probable es que un evento pertenezca al grupo normal.

Para resolver esto, el equipo introdujo una versión "normalizada" del autoencoder. Este sistema trata el error de reconstrucción no solo como un error, sino como una medida de energía, donde la baja energía significa que el evento es normal y la alta energía significa que es raro. Al entrenar cuidadosamente la red para comprender el panorama total de posibilidades, se aseguraron de que la puntuación de energía corresponda directamente a una probabilidad. Esto significa que la computadora ahora puede decir: "Este evento tiene un 99% de probabilidad de ser normal" o "Este evento es altamente inusual". Para hacer esto aún más robusto, añadieron una capa de incertidumbre al sistema. Al permitir que los ajustes internos de la red varíen ligeramente durante el entrenamiento, el sistema aprende no solo una respuesta única, sino un rango de posibles respuestas. Esto les otorga a los científicos una barra de error integrada, mostrándoles qué tan segura está la computadora en su propia evaluación.

Los investigadores probaron primero esta idea en un modelo simple de dos dimensiones donde ya conocían la respuesta correcta. Encontraron que el sistema aprendió con éxito la distribución real de los datos, identificando con precisión las áreas más comunes y los bordes raros. Cuando añadieron la característica de incertidumbre, el sistema identificó correctamente que tenía menos certeza sobre los puntos de datos alejados del centro, donde había visto menos ejemplos. La confianza de la computadora coincidía con la realidad de los datos: estaba muy segura en el centro concurrido y era apropiadamente cautelosa en las esquinas vacías. También probaron un método donde dos de estos sistemas fueron entrenados con diferentes tipos de datos y comparados entre sí. Esta configuración dual les permitió calcular la relación de probabilidades entre dos escenarios diferentes, emulando efectivamente una búsqueda supervisada más compleja sin necesidad de conocer la respuesta de antemano.

Animados por estos resultados, el equipo aplicó su método a datos del mundo real del Gran Colisionador de Hadrones. Utilizaron un conjunto de datos de "jets" (chorros), que son ráfagas de partículas creadas cuando quarks o gluones son expulsados durante una colisión. Específicamente, buscaron jets de quarks top ocultos entre un mar de jets ordinarios de cromodinámica cuántica. En este entorno de alto riesgo, el sistema se desempeñó de manera impresionante. Logró distinguir los raros jets de quarks top entre los comunes jets de fondo, y las estimaciones de incertidumbre proporcionaron una imagen clara de la fiabilidad del sistema. Los investigadores encontraron que las diferencias de energía aprendidas por la computadora coincidían estrechamente con los resultados de un clasificador supervisado tradicional, que es el estándar de oro para estas búsquedas. Esto confirmó que el nuevo método no estaba simplemente adivinando, sino que estaba aprendiendo la física subyacente de los datos.

El estudio también reveló que el sistema se comporta de manera diferente dependiendo de lo que esté buscando. Cuando fue entrenado para encontrar quarks top, el sistema fue muy consistente. Cuando fue entrenado para encontrar jets ordinarios ocultos entre quarks top, la incertidumbre fue mayor, reflejando la mayor dificultad de la tarea. Este es un conocimiento crucial, ya que muestra que el sistema es honesto sobre sus limitaciones. Los investigadores demostraron que, al ajustar un parámetro específico en el proceso de entrenamiento, podían alinear las puntuaciones de energía del sistema con las probabilidades conocidas de un clasificador supervisado. Esta alineación sugiere que el método puede ajustarse para trabajar eficazmente incluso en el complejo espacio de alta dimensionalidad de las colisiones reales de partículas.

En última instancia, este trabajo cierra una brecha crítica entre el poder bruto de la inteligencia artificial y las rigurosas exigencias de la física estadística. Transforma la detección de anomalías de una caja negra que produce una puntuación misteriosa en una herramienta transparente que proporciona una probabilidad y una medida de confianza. Al demostrar que estas redes pueden aprender la verdadera verosimilitud de los eventos y cuantificar su propia incertidumbre, los investigadores han proporcionado una nueva y fiable forma de buscar lo desconocido. El método no requiere una teoría específica de cómo podría ser la nueva física; simplemente aprende qué es lo normal y señala el resto, con una declaración clara de qué tan seguro está. Esta capacidad podría cambiar fundamentalmente la forma en que los físicos analizan la avalancha de datos del Gran Colisionador de Hadrones, permitiéndoles detectar lo inesperado con un nivel de rigor estadístico que antes estaba fuera de su alcance.