Application of sequence learning for predicting radiation damage of the CMS electromagnetic calorimeter

En el corazón de la física moderna se encuentra la búsqueda para comprender los bloques fundamentales de construcción del universo. Para lograr esto, los científicos chocan partículas a velocidades increíbles, creando condiciones que existieron apenas unos instantes después del nacimiento del cosmos. Una de las máquinas más poderosas construidas con este propósito es el Gran Colisionador de Hadrones, un anillo masivo enterrado bajo la frontera entre Francia y Suiza. Dentro de esta máquina, el experimento del Solenoide de Muones Compacto actúa como una cámara gigante y ultrasensible, tomando fotos de los restos de estas colisiones de alta velocidad. Una parte crítica de esta cámara es un detector hecho de miles de cristales pesados y transparentes. Cuando una partícula golpea uno de estos cristales, libera un destello de luz azul, de forma muy similar a como una piedra que salta sobre un estanque crea ondas. Al medir el brillo de esta luz, los físicos pueden calcular la energía de la partícula que la golpeó. Sin embargo, el entorno dentro del colisionador es increíblemente hostil. El bombardeo constante de radiación actúa como un chorro de arena lento e invisible sobre los cristales, nublando gradualmente su transparencia. Con el tiempo, este daño hace que los cristales sean menos eficientes al transmitir la luz, lo que amenaza la precisión de todo el experimento. Para mantener el detector funcionando, los científicos deben monitorear constantemente cuánto se han nublado los cristales y corregir sus mediciones en consecuencia.

En un estudio reciente, los investigadores recurrieron a la inteligencia artificial para resolver el problema de predecir cómo envejecen estos cristales. En lugar de depender únicamente de comprobaciones manuales o simples conjeturas estadísticas, el equipo aplicó un tipo sofisticado de aprendizaje automático conocido como un modelo de secuencia a secuencia. Este enfoque trata la historia de la transparencia de un cristal como una historia con un principio, un medio y un fin. Se le alimenta a la computadora con una larga lista de mediciones pasadas, que muestran cómo cambió la claridad del cristal día tras día mientras el colisionador funcionaba y luego se detenía. El sistema aprende a reconocer patrones en estos datos, tales como cómo los cristales se oscurecen rápidamente durante los períodos de colisiones intensas y cómo recuperan lentamente su claridad durante los períodos tranquilos cuando la máquina no está en funcionamiento. El objetivo era enseñar a la computadora a leer esta historia y luego escribir el siguiente capítulo, prediciendo cómo se comportaría el cristal en el futuro.

Los investigadores probaron este método utilizando datos reales recolectados del colisionador entre 2016 y 2018. Se centraron en cristales específicos dentro del detector, alimentando a la computadora con una ventana de valores de calibración pasados y pidiéndole que pronosticara la transparencia para los días venideros. Los resultados fueron prometedores. El modelo de inteligencia artificial rastreó con éxito el ascenso y descenso de la claridad de los cristales, coincidiendo con las mediciones reales con un alto grado de precisión. Para los cristales analizados, las predicciones mostraron un error porcentual absoluto medio de aproximadamente el 18% al 26%, mientras que el error absoluto se mantuvo dentro de un rango manejable. El modelo resultó particularmente bueno en los pronósticos a corto plazo, capturando los efectos inmediatos del daño por radiación y la recuperación subsiguiente. Esto sugiere que tales sistemas podrían convertirse en una herramienta confiable para los científicos que dirigen el experimento, permitiéndoles anticipar el daño antes de que afecte significativamente sus datos.

El estudio también examinó de cerca intentos previos para resolver este mismo problema utilizando el aprendizaje automático. Los investigadores descubrieron que un estudio anterior había reportado una extraña caída en el rendimiento en ciertos intervalos de datos, lo que inicialmente parecía una sorprendente anomalía científica. Al reexaminar el código utilizado en ese trabajo anterior, el equipo encontró un simple error de programación que había causado los resultados engañosos. Una vez que se corrigió este error, el rendimiento del modelo anterior se volvió mucho más consistente, aunque todavía no igualaba la estabilidad del nuevo enfoque de secuencia a secuencia. El nuevo modelo mantuvo un nivel constante de precisión independientemente de cuántos datos pasados se utilizaran, mostrando una capacidad más robusta para generalizar y predecir el comportamiento futuro.

Este trabajo demuestra que el aprendizaje profundo puede modelar eficazmente el complejo envejecimiento dependiente del tiempo de los materiales del detector. Al predecir con precisión cómo se degradarán y recuperarán los cristales, el método ofrece una forma de refinar las estrategias de calibración utilizadas por el experimento. Esto no es solo un ejercicio teórico; tiene un valor práctico para los miles de científicos que dependen del Solenoide de Muones Compacto para realizar mediciones precisas del universo. Si los sensores del detector están nublados y no se corrigen, los datos que recolectan se vuelven poco fiables. Al usar estas herramientas predictivas, la colaboración puede asegurar que las mediciones permanezcan nítidas y precisas, incluso mientras la máquina continúa operando en uno de los entornos con mayor radiación de la Tierra. Los investigadores planean expandir este trabajo para incluir más cristales y explorar estrategias de aprendizaje aún más avanzadas, con el objetivo de construir un sistema que pueda manejar todo el detector a la vez. Por ahora, el éxito de este enfoque proporciona una base sólida para mantener la cámara de partículas más poderosa del mundo en un enfoque perfecto.