A High- and Variable-Dimensional Measurement of the $Z$+jets Differential Cross Section with the ATLAS Experiment and Artificial Intelligence

Il Large Hadron Collider è una macchina costruita per far scontrare protoni a energie così elevate da farli rompere in una pioggia di particelle più piccole e fondamentali. Quando queste collisioni avvengono, i detriti non volano via in direzioni casuali; invece, le leggi della fisica costringono i frammenti a raggrupparsi in getti stretti e conici noti come jet. Questi jet sono il modo principale con cui gli scienziati studiano la forza nucleare forte, la colla invisibile che tiene insieme i mattoni fondamentali della materia. Per decenni, i fisici hanno cercato di comprendere questi jet misurando proprietà specifiche e pre-scelte, come l'energia totale o la massa dello spruzzo. Tuttavia, questo approccio è come cercare di comprendere un dipinto complesso misurando solo il suo peso totale o il colore medio. Esso tralascia i dettagli intricati di come la vernice sia stata effettivamente applicata. La sfida è sempre stata che i dati provenienti da queste collisioni sono così vasti e multidimensionali che gli strumenti tradizionali non riescono a catturare ogni dettaglio senza perdere le connessioni tra di essi.

Un nuovo studio di Kevin Greif, un ricercatore presso l'Università della California, Irvine, cambia il modo in cui questi dati vengono gestiti. Lavorando con l'esperimento ATLAS al Large Hadron Collider, Greif ha sviluppato un metodo per misurare la produzione di un tipo specifico di evento di particelle, in cui un bosone Z viene creato insieme a uno spruzzo di particelle, senza mai forzare i dati in una scatola semplificata. Invece di scegliere poche caratteristiche da misurare, il team ha utilizzato l'intelligenza artificiale per ricostruire l'intero evento, preservando la posizione e la quantità di moto di ogni singola particella carica coinvolta. Questo approccio permette loro di osservare i dati nella loro piena e grezza complessità, creando una mappa completa della collisione piuttosto che un riassunto. Il risultato è una misurazione molto più dettagliata di quanto precedentemente raggiunto, che rivela schemi nei dati che prima erano nascosti perché troppo complessi da calcolare.

Il cuore di questo lavoro riguarda una tecnica chiamata "unfolding" (srotolamento), che è essenzialmente un modo per invertire gli effetti di sfocatura del rivelatore. Quando le particelle colpiscono il rivelatore ATLAS, la macchina registra i loro segnali, ma questi segnali non sono perfetti; sono distorti e sfuocati dalla strumentazione stessa. Per capire cosa sia accaduto realmente durante la collisione, i fisici devono matematicamente annullare questa distorsione. Tradizionalmente, ciò veniva fatto classificando le particelle in "bin" (contenitori), come mettere delle biglie in secchielli in base alla loro dimensione. Ma questo metodo perde informazioni su come le biglie siano correlate tra loro. Il team di Greif ha utilizzato una forma sofisticata di intelligenza artificiale, specificamente un tipo di modello generativo, per eseguire questa inversione. Invece di smistare le particelle in secchielli, l'IA ha appreso la relazione tra i segnali disordinati del rivelatore e la fisica pulita della collisione. Ha poi applicato questa conoscenza ai dati reali, rimuovendo efficacemente gli strati di rumore del rivelatore per rivelare la verità sottostante di ogni singolo evento.

Questo metodo ha permesso ai ricercatori di misurare la sezione d'urto, ovvero la probabilità, del processo di produzione del bosone Z attraverso un numero vastissimo di dimensioni simultaneamente. Mentre le misurazioni precedenti potevano esaminare venti o trenta diverse proprietà contemporaneamente, questa nuova analisi ha catturato fino a 843 dimensioni di informazione nello stesso momento. Il team non ha misurato una sola cosa; ha creato un dataset che contiene l'intera storia della collisione. Da questo singolo dataset, potevano estrarre misurazioni di molte diverse quantità fisiche senza dover ripetere l'esperimento o rieseguire i complessi calcoli. È come se avessero scattato una singola fotografia ad alta risoluzione di una scena complessa e poi si fossero resi conto di poter usare quella stessa immagine per misurare la velocità di un'auto, la temperatura dell'aria e la distanza tra due alberi, tutto con perfetta precisione, semplicemente guardando le parti giuste della foto.

I ricercatori hanno testato questo nuovo approccio misurando quattro tipi specifici di proprietà fisiche per vedere quanto bene funzionasse il loro metodo. In primo luogo, hanno esaminato l'attività sottostante della collisione, contando il numero di particelle cariche e la loro quantità di moto totale. Hanno scoperto che le simulazioni al computer utilizzate per prevedere questi eventi spesso mancavano il bersaglio, con alcune simulazioni che prevedevano valori superiori o inferiori del trenta percento rispetto a ciò che i dati mostravano realmente. Questa discrepanza evidenzia che la nostra attuale comprensione di come le particelle si formino e interagiscano è ancora incompleta. In secondo luogo, hanno esaminato la forma dei jet stessi, specificamente come l'energia si distribuisce dal centro del jet verso l'esterno. Utilizzando il loro metodo ad alta dimensionalità, hanno potuto passare tra diversi modi di definire un jet e vedere istantaneamente come la forma cambiasse, rivelando che certe caratteristiche del jet erano in realtà causate dal modo in cui il computer raggruppava le particelle, piuttosto che dalla fisica della collisione stessa.

In terzo luogo, il team ha misurato una proprietà chiamata "energy-energy correlator" (correlatore energia-energia), che traccia come l'energia delle particelle sia correlata in base all'angolo tra di esse. Questa misurazione è difficile perché richiede di osservare coppie di particelle attraverso un ampio intervallo di angoli. Il nuovo metodo ha catturato con successo questa relazione attraverso l'intero evento, mostrando tre regimi distinti di comportamento: una regione in cui le particelle agiscono indipendentemente, una regione intermedia in cui seguono le regole della forza forte, e una regione finale in cui si comportano come particelle libere. Ciò ha fornito una visione chiara e dettagliata di come la forza forte operi a diverse scale, confermando le previsioni teoriche nell'intervallo centrale e mostrando dove i modelli attuali faticano alle scale più piccole. Infine, il team ha misurato la dimensionalità intrinseca dei jet, un concetto che si chiede quante numeri siano effettivamente necessari per descrivere la struttura del jet. Hanno scoperto che, nonostante i jet sembrino composti da decine di particelle, la struttura sottostante poteva essere descritta da poche dimensioni. Ciò suggerisce che lo spruzzo complesso di particelle è in realtà governato da un insieme di regole molto più semplice di quanto appaia, raggruppandosi in un modo che rende più facile per i computer imparare e prevedere.

La portata di questo lavoro va oltre queste specifiche misurazioni. Dimostrando che è possibile misurare l'intero spazio delle fasi di una collisione senza perdere informazioni, lo studio apre la porta a una nuova era di analisi nella fisica delle particelle. Il dataset creato da questa misurazione non è una lista statica di numeri, ma una risorsa flessibile che altri scienziati possono utilizzare per testare le proprie teorie e cercare nuovi fenomeni. I ricercatori hanno reso questo dataset pubblicamente disponibile, permettendo a chiunque di proiettare i dati su qualsiasi osservabile si desideri studiare. Questo sposta l'attenzione dal tentare di indovinare quale misurazione specifica possa rivelare nuova fisica al compito di creare una libreria completa di dati che possa essere esplorata per trovare risposte a domande che non abbiamo ancora nemmeno formulato.

Lo studio affronta anche i limiti degli attuali modelli informatici. I ricercatori hanno scoperto che, sebbene le simulazioni siano buone nel prevedere il comportamento generale delle particelle, spesso non riescono a catturare i dettagli più fini, in particolare nel modo in cui le particelle si distribuiscono e interagiscono alle scale più piccole. Le discrepanze tra i dati e le simulazioni suggeriscono che i modelli su come le particelle si formano in adroni, il processo noto come adronizzazione, debbano essere perfezionati. L'alta precisione dei dati forniti da questo nuovo metodo offre un modo per calibrare questi modelli, portando potenzialmente a previsioni più accurate per i futuri esperimenti. Ciò è fondamentale per l'High-Luminosity LHC, il prossimo aggiornamento del collider, che produrrà ancora più dati e richiederà strumenti ancora più precisi per interpretarli.

Nel contesto più ampio della ricerca scientifica, questo lavoro dimostra il potere dell'intelligenza artificiale non solo come strumento di classificazione, ma come metodo per la scoperta fondamentale. L'IA non si è limitata a classificare i dati; ha ricostruito la realtà fisica dietro il rumore. Questo approccio sfida il modo tradizionale di fare fisica, dove gli scienziati spesso semplificano problemi complessi per renderli risolvibili. Invece, questo studio dimostra che abbracciando la piena complessità dei dati, possiamo scoprire verità che prima erano invisibili. L'autore suggerisce che questo metodo dovrebbe diventare una pratica standard per i futuri esperimenti, permettendo alla comunità di passare da misurazioni frammentarie a una comprensione più olistica delle interazioni tra particelle.

L'articolo conclude guardando al potenziale di queste tecniche. I ricercatori credono che, con il continuo progredire dell'intelligenza artificiale, essa permetterà agli scienziati di estrarre ancora più informazioni dai dati raccolti al Large Hadron Collider. Immaginano un futuro in cui i sistemi di IA possano non solo analizzare i dati, ma anche aiutare a progettare gli esperimenti e interpretare i risultati, accelerando il ritmo delle scoperte. Sebbene l'attuale studio si concentri su un tipo specifico di collisione, i metodi sviluppati qui possono essere applicati ad altri processi, come la produzione di quark top o bosoni di Higgs. L'obiettivo ultimo è utilizzare questi strumenti per trovare deviazioni dal Modello Standard, l'attuale teoria della fisica delle particelle, che potrebbero portare alla scoperta di nuove particelle o forze. Il lavoro presentato da Greif e dal suo team fornisce un passo cruciale in quella direzione, offrendo un nuovo modo per vedere l'universo al suo livello più fondamentale.