GNN-based track reconstruction for MUonE experiment

En el vasto paisaje de la física moderna, los científicos buscan constantemente grietas en los cimientos de su teoría más exitosa, el Modelo Estándar. Esta teoría actúa como un libro de reglas sobre cómo funciona el universo en sus escalas más pequeñas, pero deja algunas preguntas profundas sin respuesta. Uno de los misterios más persistentes involucra al muón, una partícula similar al electrón pero mucho más pesada. Durante décadas, los experimentos han medido cómo esta partícula se tambalea en un campo magnético, una propiedad conocida como su momento magnético anómalo. Las mediciones muestran consistentemente una diferencia diminuta y obstinada respecto a lo que predice el Modelo Estándar. Esta brecha sugiere que fuerzas o partículas desconocidas podrían estar influyendo en el muón, insinuando una capa más profunda de la realidad esperando ser descubierta. Sin embargo, para confirmar esto, los físicos necesitan medir el efecto con una precisión extrema, lo que requiere calcular una contribución específica de la interacción de las partículas con el vacío del espacio. Este cálculo es notoriamente difícil de realizar con las matemáticas tradicionales, por lo que se propuso un nuevo experimento llamado MUonE para medirlo directamente observando cómo los muones se dispersan al chocar con electrones.

El desafío para el experimento MUonE no es solo la física, sino el enorme volumen de datos que debe procesar. El experimento disparará un haz de muones contra un objetivo a un ritmo de 40 millones de veces cada segundo. A esta velocidad, los sistemas informáticos deben decidir en una fracción de segundo qué colisiones son interesantes y cuáles son solo ruido de fondo. Si el sistema es demasiado lento, perderá los eventos raros que podrían revelar nueva física. Si es demasiado agresivo al filtrar, podría desechar precisamente las señales que los científicos están buscando. La forma tradicional de clasificar estos datos implica algoritmos complejos y paso a paso que intentan reconstruir las trayectorias de las partículas a partir de las diminutas señales dejadas en los sensores de silicio. Aunque precisos, estos métodos son computacionalmente pesados y luchan por mantener el ritmo implacable del haz. Para resolver esto, un equipo de investigadores en Polonia recurrió a un tipo diferente de inteligencia: un sistema de aprendizaje automático diseñado para pensar como una red de conexiones en lugar de una lista lineal de instrucciones.

Los investigadores desarrollaron un nuevo método utilizando una Red Neuronal de Grafos, un tipo de inteligencia artificial que destaca en la comprensión de las relaciones entre objetos. En lugar de tratar los datos como una cuadrícula de números o una imagen, el sistema ve el detector de partículas como un mapa de puntos y líneas. Cada punto representa un lugar donde una partícula golpeó un sensor, y las líneas representan las posibles trayectorias que conectan esos impactos. El trabajo de la red es determinar qué líneas son trayectorias reales recorridas por las partículas y cuáles son solo coincidencias aleatorias. En un enfoque tradicional, la computadora podría intentar construir cada trayectoria posible y luego verificar si tiene sentido, un proceso que se vuelve imposiblemente lento a medida que aumenta el número de partículas. El nuevo sistema, sin embargo, observa toda la red de conexiones a la vez, aprendiendo a reconocer la forma específica de una trayectoria de partícula válida.

Para probar esta idea, el equipo utilizó datos simulados que imitan las condiciones del experimento MUonE, incluyendo la disposición específica de los sensores y el comportamiento de los muones y electrones. Entrenaron la red con miles de estos eventos simulados, enseñándole a distinguir entre las trayectorias verdaderas de las partículas y las conexiones falsas. Los resultados fueron sorprendentes. La red identificó con éxito las trayectorias correctas con una tasa de error de menos del uno por ciento, un nivel de precisión que iguala a los mejores métodos tradicionales. Más importante aún, lo hizo con una velocidad increíble. Mientras que los algoritegmos antiguos podían procesar unos 3,400 eventos por segundo en una computadora potente, la nueva red neuronal manejó más de 31,000 eventos por segundo. Esto representa un aumento de diez veces en la velocidad, transformando efectivamente un cuello de botella en un flujo suave.

Más allá de solo encontrar las trayectorias, los investigadores también demostraron que este sistema podía distinguir entre las propias partículas. Debido a que los electrones son mucho más ligeros que los muones, rebotan en ángulos más agudos cuando colisionan. La red aprendió a detectar estas sutiles diferencias en los ángulos de dispersión, identificando correctamente si una trayectoria pertenecía a un electrón o a un muón. Aunque cometió errores en aproximadamente el 12 por ciento de estos casos de identificación, este nivel de desempeño es prometedor para un sistema que aún se encuentra en sus etapas iniciales. La capacidad de realizar tanto la reconstrucción de trayectorias como la identificación de partículas simultáneamente sugiere que este enfoque podría reemplazar varios pasos separados en el proceso de análisis de datos.

La importancia de este trabajo radica en su potencial para cambiar la forma en que operan los experimentos de física de altas energías. Al trasladar la compleja tarea de clasificar los datos de la etapa "offline", donde los científicos analizan los resultados después de que el experimento ha terminado, a la etapa "online", donde las decisiones se toman en tiempo real, el experimento MUonE puede capturar una muestra mucho mayor y más limpia de los eventos raros que necesita. Los investigadores enfatizan que, si bien sus resultados se basan en simulaciones, el método está listo para ser probado con datos reales recolectados durante las próximas ejecuciones de prueba del experimento. Si el sistema se desempeña tan bien con datos del mundo real como lo hizo en la simulación, podría proporcionar la velocidad y precisión necesarias para resolver finalmente el misterio del bamboleo del muón, abriendo potencialmente una ventana a la nueva física que se encuentra más allá de nuestra comprensión actual.