Infrared Subtraction with Artificial Intelligence

En el corazón de la física moderna, los investigadores estudian los componentes fundamentales del universo haciendo chocar partículas a velocidades increíbles. Cuando estas colisiones ocurren, no solo producen unos pocos fragmentos simples; a menudo generan una lluvia de nuevas partículas que salen disparadas en todas direcciones. Para comprender las leyes que gobiernan estos eventos, los científicos deben calcular la probabilidad de cada resultado posible con extrema precisión. Sin embargo, existe un obstáculo importante en estos cálculos: cuando una partícula emite un estallido de energía demasiado tenue para ser visto o cuando dos partículas se mueven casi en la misma dirección, las fórmulas matemáticas utilizadas para describir el evento fallan y producen números infinitos y sin sentido. Estos se conocen como singularidades infrarrojas. Aunque las leyes de la física garantizan que estos infinitos se cancelen entre sí en el resultado final, separar estos valores de los datos significativos para obtener un número preciso para un experimento específico ha sido una lucha de décadas para los físicos teóricos.

Un equipo de investigadores de la Universidad Normal de Beijing y la Academia China de Ciencias ha abordado ahora este problema utilizando un nuevo enfoque que combina la intuición física humana con las capacidades de resolución creativa de problemas de la inteligencia artificial. Desarrollaron un método para aislar y eliminar estos molestos infinitos sin depender de los tradicionales y rígidos atajos matemáticos que se han utilizado durante años. En lugar de forzar el cálculo para que se ajuste a un molde preexistente, utilizaron un modelo de lenguaje extenso —un tipo de inteligencia artificial entrenada en vastas cantidades de texto y código— para diseñar nuevas formas de mapear la caótica pulverización de partículas de vuelta a su punto de partida más simple. Los investigadores descubrieron que, al dejar que la IA diseñara estos mapas y luego verificarlos contra las teorías establecidas del comportamiento de las partículas, podían reconstruir datos complejos de colisiones de partículas con alta precisión. Este trabajo demuestra que la inteligencia artificial no solo puede acelerar los cálculos, sino que también puede ayudar a construir las herramientas matemáticas necesarias para resolver algunos de los problemas más difíciles de la física de altas energías.

El desafío central que el equipo abordó es cómo manejar el "ruido" de las colisiones de partículas. Cuando las partículas colisionan, emiten radiación, de forma similar a como el motor de un coche emite gases de escape. En el mundo cuántico, este escape puede ser tan tenue que es imposible distinguirlo del fondo, o estar tan alineado con otras partículas que parecen un solo flujo. Los cálculos estándar luchan con estos límites difusos. Durante años, los físicos han utilizado una técnica llamada "segmentación" (slicing), que consiste en trazar una línea arbitraria en los datos para separar los eventos claros y mensurables de los difusos y problemáticos. Si bien esto funciona, introduce sus propios errores y requiere una capacidad de cómputo masiva para hacer que la línea sea lo suficientemente delgada para ser precisa. Los investigadores querían un método mejor: un método que pudiera manejar todo el rango de emisiones de partículas a la vez, sin trazar una línea arbitraria, y que siguiera cancelando los infinitos matemáticos.

Para lograr esto, el equipo construyó un marco que separa el cálculo en dos partes. La primera parte trata con la radiación que realmente se emite, y la segunda parte trata con el término de "contacto", que representa la contribución finita y limpia de la colisión en su nivel más simple. La innovación clave fue utilizar un agente de inteligencia artificial para diseñar las reglas de cómo proyectar el complejo estado final de múltiples partículas de vuelta al estado inicial simple de dos partículas. En una versión de su experimento, la IA utilizó una red neuronal —un tipo de programa informático modelado según el cerebro humano— para aprender cómo mapear la caótica pulverización de partículas a un punto de partida limpio. En otra versión, la IA generó una receta matemática estricta y paso a paso para hacer lo mismo. En ambos casos, los investigadores humanos proporcionaron las leyes físicas y las restricciones, indicando a la IA qué era posible y qué estaba prohibido, mientras que la IA determinaba los pasos específicos para llegar allí.

El equipo probó su nuevo método simulando colisiones electrón-positrón, un proceso estándar en la física de partículas donde un electrón y su contraparte de antimateria se aniquilan para producir chorros (jets) de partículas. Se centraron en escenarios donde se producen tres o cuatro chorros de partículas, que son significativamente más complejos que los casos más simples de dos chorros. Los resultados fueron sorprendentes. Los métodos diseñados por la IA reconstruyeron con éxito las predicciones teóricas completas para estas colisiones, coincidiendo con los resultados de las herramientas de simulación existentes más sofisticadas con alta precisión. Los investigadores descubrieron que la IA podía determinar los términos de "contacto" necesarios —las correcciones matemáticas necesarias para cancelar los infinitos— ya sea ajustando los datos a patrones teóricos conocidos o calculándolos directamente mediante una nueva fórmula local que no requería la línea de segmentación arbitraria. Este cálculo directo les permitió reutilizar cálculos de orden inferior existentes y combinarlos con predicciones teóricas avanzadas para obtener la respuesta final.

Quizás lo más sorprendente es que el equipo logró estos resultados utilizando recursos informáticos muy modestos. Todo el cálculo numérico y el entrenamiento de la red neuronal se realizaron en la unidad de procesamiento central de un Apple MacBook de 2020, una computadora portátil estándar, sin necesidad de tarjetas gráficas especializadas o supercomputadoras. Esto sugiere que el nuevo método no solo es preciso, sino también lo suficientemente eficiente como para ejecutarse en máquinas locales, democratizando potencialmente el acceso a cálculos de física de alta precisión. Los investigadores también extendieron su trabajo a escenarios aún más complejos, incluyendo una colisión de dos chorros con un nivel de precisión superior, donde utilizaron el aprendizaje automático para reducir el ruido estadístico en los resultados. Al entrenar a la IA para reconocer patrones en los datos y restarlos, estabilizaron el cálculo, haciendo que los números finales fueran más fiables.

Las implicaciones de este trabajo van más allá de obtener un mejor número para un experimento específico. Representa un cambio en la forma en que se realiza la física teórica. Durante décadas, la construcción de las herramientas matemáticas necesarias para cancelar los infinitos ha requerido un inmenso esfuerzo humano y una profunda visión analítica, tomando a menudo años desarrollar una para un nuevo tipo de colisión. Este estudio muestra que la inteligencia artificial puede asistir en el proceso creativo de construcción de estas herramientas. La IA no solo procesó números; diseñó la estructura del propio método de sustracción, proponiendo nuevas formas de mapear partículas y calcular correcciones que los investigadores humanos podrían no haber considerado. Los investigadores verificaron que los mapas generados por la IA respetaban todas las leyes físicas necesarias, como la conservación de la energía y el momento, y que manejaban correctamente los límites complicados donde las partículas se vuelven indistinguibles.

Aunque el estudio es una prueba de concepto, abre un camino claro hacia adelante. Los investigadores demostraron que su enfoque funciona para tres y cuatro chorros con un nivel de precisión estándar y para dos chorros con un nivel de precisión aún mayor. También esbozaron cómo el método podría extenderse a colisiones aún más complejas que involucren tres chorros a ese nivel de precisión superior, proporcionando los mapas matemáticos y las fórmulas necesarias para trabajos futuros. El éxito del método reside en una asociación entre la intuición humana y el aprendizaje automático. Los humanos definen los límites físicos y los objetivos, asegurando que la IA se mantenga dentro de las leyes de la naturaleza, mientras que la IA explora el vasto espacio de las posibles soluciones matemáticas para encontrar el camino más eficiente. Esta colaboración permite la reutilización de cálculos existentes y la integración de predicencias teóricas avanzadas, creando un marco más robusto y flexible para futuros descubrimientos.

Los hallazgos sugieren que el futuro de la física de precisión puede implicar un nuevo tipo de flujo de trabajo donde la inteligencia artificial actúe como un copiloto en la construcción de herramientas teóricas. Al automatizar el diseño de fórmulas de sustracción y mejorar la integración numérica de datos complejos, la IA puede ayudar a los físicos a ampliar los límites de lo que se puede calcular. La capacidad de ejecutar estos cálculos sofisticados en una computadora portátil indica que la barrera de entrada para el trabajo de alta precisión podría reducirse, permitiendo que más investigadores aborden problemas difíciles. A medida que el campo avanza hacia niveles de precisión aún mayores, donde los cálculos se vuelven exponencialmente más difíciles, la capacidad de construir estos métodos de sustracción de forma automática podría volverse esencial. Los investigadores han demostrado que, con la guía adecuada, la inteligencia artificial no solo puede resolver ecuaciones, sino que también puede ayudar a inventar los métodos necesarios para resolverlas, convirtiendo un cuello de botella de décadas en un paso manejable en el viaje del descubrimiento.