NAE, Statistically

Al Large Hadron Collider, una mastodontica macchina sepolta sotto il confine tra Francia e Svizzera, i fisici fanno scontrare protoni a velocità vicine a quella della luce. L'obiettivo è trovare segni di una nuova, ignota fisica che possa spiegare i misteri più profondi dell'universo. Per decenni, la strategia è stata quella di indovinare l'aspetto di una possibile nuova particella, costruire un modello informatico basato su quell'ipotesi e poi cercarla nei dati delle collisioni. Ma cosa succederebbe se la nuova fisica non somigliasse affatto alle nostre ipotesi? E se fosse nascosta in un modo che non abbiamo immaginato? Negli ultimi anni, gli scienziati si sono rivolti all'intelligenza artificiale affinché agisca da guida. Invece di cercare un bersaglio specifico, questi programmi informatici imparano cosa sia "normale" basandosi sulla stragrande maggioranza dei dati, e poi segnalano qualsiasi cosa appaia strana o insolita. Questo approccio è potente, ma presenta un grande difetto: il computer fornisce un punteggio che indica che qualcosa è strano, ma non può dire al fisico quanto debba fidarsi di quel punteggio. Senza un modo per misurare l'affidabilità del risultato, la ricerca rimane scientificamente incompleta.

Un team di ricercatori dell'Università di Heidelberg ha sviluppato un nuovo metodo per risolvere questo problema. Hanno creato un sistema che non solo individua gli eventi insoliti, ma calcola anche la certezza statistica del proprio giudizio. Il cuore del loro lavoro riguarda un tipo di rete neurale chiamata autoencoder. Immaginate una macchina che cerca di comprimere un'immagine complessa in un piccolo riassunto e poi ricostruire l'immagine partendo da quel riassunto. Se la macchina viene addestrata solo su dati normali, diventa molto brava a ricostruire cose normali. Quando vede qualcosa di strano, fallisce nel ricostruirla correttamente, e l'errore nella ricostruzione diventa un segnale che qualcosa di nuovo è presente. Tuttavia, i ricercatori si sono resi conto che misurare semplicemente questo errore non era sufficiente. Avevano bisogno di collegare quell'errore a una probabilità, un modo matematico per dire quanto sia probabile che un evento appartenga alla folla normale.

Per risolvere questo problema, il team ha introdotto una versione "normalizzata" dell'autoencoder. Questo sistema tratta l'errore di ricostruzione non solo come un errore, ma come una misura di energia, dove un'energia bassa significa che l'evento è normale e un'energia alta significa che è raro. Addestrando attentamente la rete per comprendere l'intero panorama delle possibilità, si sono assicurati che il punteggio di energia corrisponda direttamente a una probabilità. Ciò significa che il computer può ora dire: "Questo evento ha il 99% di probabilità di essere normale" oppure "Questo evento è altamente insolito". Per rendere tutto ciò ancora più robusto, hanno aggiunto uno strato di incertezza al sistema. Permettendo alle impostazioni interne della rete di variare leggermente durante l'addestramento, il sistema impara non solo una singola risposta, ma un intervallo di risposte possibili. Questo fornisce agli scienziati una barra di errore integrata, mostrando loro quanto il computer sia sicuro della propria valutazione.

I ricercatori hanno testato inizialmente questa idea su un semplice modello bidimensionale dove conoscevano già la risposta corretta. Hanno scoperto che il sistema ha appreso con successo la vera distribuzione dei dati, identificando accuratamente le aree più comuni e i bordi rari. Quando hanno aggiunto la funzione di incertezza, il sistema ha identificato correttamente di essere meno sicuro riguardo ai punti dati lontani dal centro, dove aveva visto meno esempi. La fiducia del computer corrispondeva alla realtà dei dati: era molto sicuro nel centro affollato ed era appropriatamente cauto negli angoli vuoti. Hanno anche testato un metodo in cui due di questi sistemi venivano addestrati su diversi tipi di dati e confrontati tra loro. Questa configurazione duale ha permesso loro di calcolare il rapporto tra le probabilità di due scenari differenti, simulando efficacemente una ricerca supervisionata più complessa senza dover conoscere la risposta in anticipo.

Incoraggiati da questi risultati, il team ha applicato il loro metodo a dati reali provenienti dal Large Hadron Collider. Hanno utilizzato un dataset di "jet", ovvero getti di particelle creati quando quark o gluoni vengono espulsi durante una collisione. Nello specifico, hanno cercato jet di quark top nascosti in un mare di comuni jet di cromodinamica quantistica. In questo ambiente ad alto rischio, il sistema si è comportato in modo impressionante. È riuscito a distinguere i rari jet di quark top dal background comune, e le stime di incertezza hanno fornito un quadro chiaro dell'affidabilità del sistema. I ricercatori hanno scoperto che le differenze di energia apprese dal computer corrispondevano strettamente ai risultati di un classificatore tradizionale supervisionato, che è il gold standard per queste ricerche. Ciò ha confermato che il nuovo metodo non stava solo tirando a indovinare, ma stava imparando la fisica sottostante dei dati.

Lo studio ha anche rivelato che il sistema si comporta diversamente a seconda di ciò che sta cercando. Quando addestrato per trovare i quark top, il sistema è stato molto coerente. Quando addestrato per trovare jet ordinari nascosti tra i quark top, l'incertezza era maggiore, riflettendo la maggiore difficoltà del compito. Questa è un'intuizione cruciale, poiché mostra che il sistema è onesto riguardo ai propri limiti. I ricercatori hanno dimostrato che, regolando un parametro specifico nel processo di addestramento, potevano allineare i punteggi di energia del sistema con le probabilità note di un classificatore supervisionato. Questo allineamento suggerisce che il metodo può essere tarato per lavorare efficacemente anche nello spazio complesso e multidimensionale delle reali collisioni di particelle.

In definitiva, questo lavoro colma un divario critico tra la potenza bruta dell'intelligenza artificiale e le rigorose richieste della fisica statistica. Trasforma l'individuazione delle anomalie da una "black box" che produce un punteggio misterioso in uno strumento trasparente che fornisce una probabilità e una misura di confidenza. Dimostrando che queste reti possono apprendere la reale verosimiglianza degli eventi e quantificare la propria incertezza, i ricercatori hanno fornito un nuovo, affidabile modo per cercare l'ignoto. Il metodo non richiede una teoria specifica su quale possa essere l'aspetto della nuova fisica; semplicemente impara cosa è normale e segnala il resto, con una chiara dichiarazione di quanto ne sia sicuro. Questa capacità potrebbe cambiare fondamentalmente il modo in cui i fisici analizzano l'enorme flusso di dati del Large Had Collider, permettendo loro di individuare l'inaspettato con un livello di rigore statistico che prima era fuori portata.