Learning Astrophysical Uncertainties in Dark Matter Direct Detection with Simulation-Based Inference

En lo profundo del universo, la mayor parte de la materia no es aquello que podemos ver, tocar o medir con herramientas ordinarias. Es invisible, conocida solo por la forma en que su gravedad tira de las estrellas y las galaxias. Los científicos llaman a esto materia oscura, y aunque sabemos que constituye aproximadamente una cuarta parte de todo lo que existe, no tenemos idea de de qué está hecha. Una idea predominante sugiere que consiste en partículas pesadas y de movimiento lento que rara vez chocan con la materia normal. Si estas partículas existen, deberían golpear ocasionalmente los núcleos de los átomos dentro de un detector en la Tierra, creando un diminuto destello de luz y una pequeña señal eléctrica. Encontrar esta tenue señal sería un descubrimiento monumental, que revelaría la verdadera naturaleza del universo oscuro.

El desafío es que estas señales son increíblemente raras y fácilmente confundibles con el ruido de fondo proveniente de la radioactividad natural u otros rayos cósmicos. Para encontrarlas, los científicos utilizan enormes tanques de xenón líquido, enfriados a temperaturas cercanas al cero absoluto, enterrados profundamente bajo tierra para protegerlos de la interferencia cósmica. Cuando una partícula de materia oscura golpea un átomo de xenón, produce dos señales distintas: un destello de luz y una ráfaga de electrones. Al medir la proporción entre estas dos señales, los investigadores pueden determinar si el evento fue causado por una partícula de materia oscura o por una partícula de fondo común. Sin embargo, el patrón exacto de estas señales depende de qué tan rápido se mueven las partículas de materia oscura mientras derivan a través de nuestra galaxia. Esta velocidad no se conoce con perfecta certeza, y diferentes suposiciones sobre la estructura de la galaxia pueden cambiar la apariencia de la señal.

En un nuevo estudio, los investigadores Felix Kahlhoefer y Niklas Reus, del Instituto de Tecnología de Karlsruhe en Alemania, han desarrollado una forma ingeniosa de manejar esta incertidumbre. En lugar de intentar calcular complejas fórmulas matemáticas para dar cuenta de cada posible variación en la estructura de la galaxia, utilizaron un método llamado inferencia basada en simulaciones. Construyeron un programa informático que aprendió a reconocer la diferencia entre una señal de materia oscura y el ruido de fondo mediante el estudio de millones de ejemplos simulados. En estas simulaciones, se le mostró a la computadora datos generados bajo muchas diferentes suposiciones sobre qué tan rápido se movían las partículas de materia oscura. Al entrenarse con esta amplia variedad de escenarios, la computadora aprendió a ignorar los detalles específicos del movimiento de la galaxia y a concentrarse únicamente en las características centrales que indican un impacto de materia oscura.

Los investigadores probaron este enfoque utilizando un modelo del experimento XENONnT, uno de los detectores de materia oscura más sensibles que operan actualmente. Crearon un gemelo digital del detector, simulando cómo respondería a partículas de materia oscura de diferentes masas y fuerzas de interacción. Luego entrenaron una red neuronal, un tipo de inteligencia artificial, para que actuara como un clasificador. Esta red recibió pares de datos: un conjunto donde la señal de materia oscura estaba presente y otro donde estaba ausente. El objetivo era que la red aprendiera una regla que pudiera distinguir ambos, calculando efectivamente la probabilidad de que un conjunto específico de observaciones proviniera de una fuente de materia oscura en lugar de ruido aleatorio.

Lo que hace que este método sea particularmente poderoso es cómo aborda la velocidad desconocida de las partículas de materia oscura. En el análisis tradicional, los científicos a menudo tienen que fijar la velocidad de estas partículas a un único valor estándar, lo que puede conducir a errores si ese valor es incorrecto. En este nuevo enfoque, los investigadores simplemente incluyeron muchos modelos de velocidad diferentes en los datos de entrenamiento. La computadora aprendió a tratar la velocidad como una variable que podía ser cualquier cosa dentro de un rango razonable. Como resultado, cuando la red realiza una predicación, ya ha tenido en cuenta todas esas diferentes posibilidades. La incertidumbre sobre la estructura de la galaxia se promedia efectivamente, dejando una respuesta clara sobre la materia oscura misma sin necesidad de realizar cálculos adicionales para cada nuevo dato.

El estudio demostró que este método funciona notablemente bien. Cuando los investigadores probaron la red entrenada con datos simulados, produjo resultados que coincidían con las expectativas de los métodos estadísticos más establecidos en el campo. La red identificó con éxito la masa correcta y la fuerza de interacción de las partículas de materia oscura en las simulaciones, incluso cuando los datos eran ruidosos o cuando las suposiciones subyacentes sobre la galaxia eran muy diferentes del modelo estándar. De hecho, la red funcionó tan bien que pudo manejar escenarios extremos donde las suposiciones estándar eran completamente erróneas, produciendo aun así resultados fiables. Esto sugiere que el método es robusto y puede adaptarse a la realidad desordenada del universo mejor que las técnicas más antiguas.

Quizás lo más importante es que los investigadores demostraron que este enfoque puede escalarse fácilmente. A medida que los experimentos se vuelven más sensibles y sondean más profundamente la "niebla de neutrinos" —un fondo de señales de neutrinos solares que eventualmente oscurecerá la señal de la materia oscura—, la necesidad de dar cuenta de incertidumbres más complejas aumentará. Los métodos tradicionales tendrían dificultades con esto, requiriendo cantidades masivas de potencia de cómputo para volver a ejecutar los cálculos por cada nueva variable. El método basado en simulaciones, sin embargo, maneja esta complejidad durante la fase de entrenamiento. Una vez que la red está entrenada, puede analizar nuevos datos instantáneamente, independientemente de cuántos modelos astrofísicos diferentes se hayan incluido en el entrenamiento. Esto lo convierte en una herramienta práctica y eficiente para la próxima generación de búsquedas de materia oscura.

Los hallazgos confirman que la inteligencia artificial puede ser un aliado vital en la caza de la materia oscura, no reemplazando la comprensión humana, sino encargándose del trabajo pesado de la estadística compleja. Al aprender de una vasta biblioteca de universos simulados, la computadora puede encontrar la señal en el ruido con una claridad que iguala a la de los mejores métodos diseñados por humanos. Esto no significa que la materia oscura haya sido encontrada; aún no se ha observado tal señal. Pero sí significa que, cuando el próximo experimento se encienda, los científicos tendrán una herramienta más aguda y flexible para interpretar los datos, lista para distinguir un verdadero descubrimiento de un truco de la luz, incluso si la galaxia se comporta de maneras que no esperábamos.