Electron Identification using Machine Learning in the MPD Experiment at NICA

Nel cuore della materia, dove gli atomi si dissolvono in una zuppa dei loro minimi componenti, giace uno stato di esistenza che un tempo riempiva l'intero universo appena istanti dopo il Big Bang. Gli scienziati chiamano questo stato Plasma di Quark e Gluoni, un fluido bollente e ultra-caldo dove protoni e neutroni si sciolgono separandosi nei loro costituenti, quark e gluoni. Per studiare questo stato primordiale, i ricercatori lo ricreano in laboratorio facendo scontrare pesanti nuclei atomici a velocità incredibili. Queste collisioni generano temperature e pressioni estreme, formando brevemente una minuscola goccia di questa materia dell'universo primordiale. Tuttavia, per capire cosa sia accaduto all'interno di quella goccia, gli scienziati devono essere in grado di vedere le particelle specifiche che sfuggono dall'esplosione. Tra i messaggeri più importanti ci sono gli elettroni, che trasportano un segnale pulito delle condizioni all'interno della palla di fuoco. Ma trovare questi elettroni è come cercare di individuare un singolo ago d'argento in un pagliaio di aghi d'oro, perché le collisioni producono miliardi di altre particelle che appaiono molto simili.

Presso la struttura di collisione di ioni basata su Nuclotron (NICA) in Russia, viene costruito un nuovo, massiccio esperimento chiamato Multi-Purpose Detector per catturare queste collisioni. La struttura è progettata per far scontrare ioni a energie che permettano agli scienziati di esplorare come la materia si comporta quando è densamente impacchettata con un'alta densità di protoni e neutroni, una condizione simile al nucleo di una stella di neutroni. Il rivelatore è una grande macchina a forma di barile, riempita di strati di sensori che tracciano i percorsi e le energie delle particelle mentre volano via dal punto di collisione. Uno dei compiti più critici per gli scienziati che lavorano con questa macchina è distinguere i rari elettroni dall'opprimente fondo di altre particelle cariche, come pioni e protoni. Se non riescono a separare questi segnali in modo pulito, la fisica che sperano di scoprire rimane nascosta.

I ricercatori dietro questo studio si sono concentrati su una sfida specifica: come identificare gli elettroni con la massima precisione possibile senza perderne troppi nel processo. Tradizionalmente, gli scienziati hanno utilizzato un metodo basato su semplici regole monodimensionali. Osservavano la velocità di una particella o la sua perdita di energia e tracciavano una linea, mantenendo tutto su un lato e scartando il resto. Sebbene questo approccio sia diretto, è rozzo. Per garantire di non tenere le particelle sbagliate, devono impostare le regole in modo molto rigoroso, il che inevitabilmente scarta molti degli elettroni corretti insieme a quelli errati. Il team voleva sapere se potessero fare di meglio utilizzando l'apprendimento automatico (machine learning), un tipo di programma informatico capace di imparare a riconoscere schemi complessi nei dati anziché seguire regole rigide e preimpostate.

Per testare questa idea, il team ha creato una simulazione dettagliata della risposta del rivelatore alle collisioni tra nuclei pesanti di bismuto. Hanno generato un enorme dataset di tracce di particelle simulate, etichettando ciascuna come elettrone o particella di fondo. Hanno poi istruito due diversi tipi di algoritmi di apprendimento automatico per smistare questi dati. Il primo era una rete neurale, un sistema modellato sul cervello umano che impara regolando le connessioni tra strati di semplici unità di elaborazione. Il secondo era un albero decisionale potenziato (boosted decision tree), che funziona ponendo una lunga sequenza di domande sì-o-no per restringere l'identità di una particella. Entrambi i sistemi sono stati alimentati con una varietà di misurazioni, inclusi l'impulso della particella, quanta energia ha perso passando attraverso il gas del rivelatore e come la sua velocità si confrontava con la sua energia.

I ricercatori hanno scoperto che gli approcci di apprendimento automatico superavano significativamente il metodo tradizionale. Quando utilizzavano le standard regole monodimensionali, il sistema poteva raggiungere un'alta purezza, il che significa che gli elettroni trattenuti erano quasi certamente reali, ma riusciva a trovare solo circa la metà degli elettroni totali disponibili. I modelli di apprendimento automatico, tuttavia, sono stati in grado di trovare circa il 50 per cento di elettroni in più mantenendo lo stesso alto livello di purezza. Questo miglioramento non era uniforme tra tutte le velocità; gli algoritmi dovevano essere istruiti diversamente a seconda di quanto velocemente si muovevano le particelle. Addestrando modelli separati per diversi intervalli di impulso, il team ha garantito che il sistema rimanesse accurato anche per le particelle più veloci, dove i metodi tradizionali tendono a fallire.

Una delle scoperte più interessanti è stata come i due modelli di apprendimento automatico affrontassero il problema in modo diverso. La rete neurale tendeva a fare affidamento pesantemente sul rapporto tra l'energia e l'impulso di una particella, una misurazione particolarmente utile per identificare gli elettroni ad alte velocità. L'albero decisionale, invece, utilizzava frequentemente la misurazione della perdita di energia nel gas, indipendentemente dalla velocità della particella. Questa differenza suggerisce che i due algoritmi abbiano trovato modi diversi per distinguere il segnale dal rumore, ma entrambi hanno avuto successo laddove il vecchio metodo faticava. Il risultato è uno strumento che permette ai fisici di vedere più degli rari elettroni che sfuggono dalla collisione, raddoppiando efficacementamente la quantità di dati utilizzabili per la loro analisi.

Questo lavoro rappresenta un passo avanti cruciale per il Multi-Purpose Detector mentre si prepara a iniziare le operazioni. Le tecniche di apprendimento automatico descritte qui non sono solo esercizi teorici; sono strumenti pratici che saranno utilizzati per analizzare dati reali una volta che il rivelatore sarà completamente operativo. Migliorando la capacità di identificare gli elettroni, l'esperimento sarà in grado di studiare le proprietà del Plasma di Quark e Gluoni con molta più precisione. I ricercatori osservano che, sebbene questi risultati derivino da simulazioni, essi forniscono una solida base per l'analisi dei dati reali. La capacità di estrarre più segnale dalla stessa quantità di dati significa che l'esperimento sarà in grado di rispondere a domande fondamentali sulla natura della materia e dell'universo primordiale con una chiarezza che prima era fuori portata.