Sequential SBI for Resonance Searches at the LHC

Il Large Hadron Collider è una macchina di scala immensa, che fa scontrare particelle a velocità vicine a quella della luce per ricreare le condizioni degli istanti primordiali dell'universo. Ogni volta che due fasci collidono, una pioggia di nuove particelle scaturisce, portando con sé indizi sulle leggi fondamentali della natura. I fisici hanno trascorso decenni imparando a leggere queste collisioni, cercando schemi che devino dalle regole standard della fisica. La sfida è che queste collisioni producono una quantità di dati sbalorditiva, molto superiore a quella che qualsiasi essere umano potrebbe smistare a mano. Tradizionalmente, gli scienziati hanno gestito questo problema comprimendo l'informazione in semplici istogrammi, che sono essenzialmente grafici a barre che mostrano quanto spesso si verifichino determinati risultati. Sebbene utili, questo metodo scarta una vasta quantità di dettagli nascosti nelle complesse relazioni tra le particelle.

Negli ultimi anni, è emersa un nuovo approccio che utilizza l'intelligenza artificiale per analizzare i dati grezzi ad alta dimensionalità senza scartarne alcuno. Questa tecnica, nota come inferenza basata sulla simulazione, addestra reti informatiche a riconoscere le sottili differenze tra i processi di fondo noti e i potenziali nuovi segnali. Tuttavia, rimane un ostacolo significativo: sebbene questi metodi funzionino bene per misurare la forza delle interazioni, faticano quando si tenta di trovare nuove particelle con masse o larghezze ignote. Trovare una nuova particella è come cercare un ago specifico in un pagliaio, ma l'ago potrebbe essere fatto di un materiale che cambia la forma stessa della paglia. Per apprendere quale sia l'aspetto del segnale, gli scienziati devono simulare milioni di collisioni attraverso una vasta gamma di possibili masse e larghezze, un compito che diventa rapidamente troppo costoso e lento per essere pratico.

Un team di ricercatori dell'Università di Heidelberg ha sviluppato una soluzione a questo problema cambiando il modo in cui le simulazioni vengono eseguite. Invece di distribuire le loro risorse computazionali uniformemente su ogni possibile scenario, hanno ideato un metodo che impara dai dati man mano che procedono. Immaginate una squadra di ricerca alla ricerca di un escursionista disperso in una foresta immensa. Una ricerca tradizionale invierebbe squadre a coprire ogni miglio quadrato della foresta equamente, indipendentemente da dove l'escursionista sia stato visto l'ultima volta. Il nuovo metodo, descritto in uno studio recente, agisce più come una squadra di ricerca intelligente che inizia con un'ampia scansione, ma poi usa gli indizi iniziali per concentrare i propri sforzi. Se il primo round di ricerca suggerisce che l'escursionista si trova probabilmente nei boschi settentrionali, il round successivo di simulazioni concentra intensamente l'attenzione proprio lì, affinando la ricerca con maggiore precisione dove è più importante.

I ricercatori hanno testato questo approccio sequenziale su tre diversi scenari, che vanno da un modello teorico semplificato a simulazioni complesse e realistiche di collisioni di particelle. Nel primo test, hanno utilizzato una formula matematica nota per generare un riferimento perfetto, permettendo loro di vedere esattamente quanto bene il loro nuovo metodo fosse performante. Hanno scoperto che, mediante la concentrazione iterativa delle loro simulazioni nelle regioni favorite dai dati osservati, l'algoritmo poteva ricostruire la vera verosimiglianza di un segnale con un'accuratezza molto maggiore rispetto a una singola ricerca ampia utilizzando la stessa potenza di calcolo. Il metodo ha identificato correttamente la massa e la larghezza di una particella ipotetica, mentre l'approccio tradizionale, anche con lo stesso numero di eventi simulati, produceva risultati sfocati e talvolta fuorvianti.

Passando a condizioni più realistiche, il team ha applicato il proprio metodo a due tipi specifici di decadimenti di particelle che potrebbero verificarsi al Large Hadron Collider. Il primo coinvolgeva una particella pesante che decade in un bosone Z e un'altra particella pesante, che poi si frammenta in leptoni e quark bottom. Il secondo scenario era ancora più complesso, coinvolgendo una risonanza pesante che decade in due bosoni di Higgs, i quali poi decadono ciascuno in quattro quark top. Questi sono processi difficili da analizzare perché le particelle si muovono così velocemente che i loro prodotti di decadimento si fondono insieme, creando un segnale disordinato che è difficile distinguere dal rumore di fondo. In entrambi i casi, il metodo sequenziale si è dimostrato superiore. È riuscito a individuare con precisione i parametri corretti delle particelle ipotetiche e ha fornito una misura molto più affidabile di quanto gli scienziati potessero essere sicuri di tali risultati.

Lo studio ha anche dimostrato che questo approccio non si limita a trovare la risposta corretta, ma dice la verità su quanto ne sia certo. Nell'analisi statistica, è fondamentale sapere se una regione di confidenza è troppo stretta, il che renderebbe gli scienziati eccessivamente sicuri di una risposta errata, o troppo ampia, il che nasconderebbe una vera scoperta. I ricercatori hanno verificato il loro metodo creando migliaia di dataset finti e osservando quante volte la risposta vera rientrasse nell'intervallo previsto. Hanno scoperto che il loro metodo sequenziale produceva risultati ben calibrati, il che significa che i livelli di confidenza dichiarati corrispondevano alla realtà. Al contrario, i metodi tradizionali a round singolo tendevano a essere eccessivamente sicuri, rivendicando un livello di certezza che i dati non supportavano effettivamente.

Questo lavoro rappresenta un passo avanti significativo nel modo in cui i fisici preparano il futuro della scoperta di particelle. Mentre il Large Hadron Collider continua a raccogliere dati, il volume delle informazioni crescerà ulteriormente, rendendo l'analisi efficiente più critica che mai. Dimostrando che le simulazioni possono essere guidate dinamicamente per concentrarsi sulle aree più promettenti, i ricercatori hanno fornito uno strumento che potrebbe aiutare a svelare una nuova fisica che altrimenti potrebbe rimanere nascosta nel rumore. Il metodo non richiede nuova hardware o un cambiamento fondamentale nel modo in cui gli esperimenti vengono condotti; cambia semplicemente la strategia di elaborazione dei dati. Per gli scienziati alla ricerca della prossima grande scoperta, ciò significa che ora possono guardare più profondamente nei dati con una lente più nitida e affidabile, assicurando che, quando una nuova particella viene trovata, l'evidenza per essa sia il più solida possibile.