Incorporating deep neural networks into lepton-nucleus interaction modeling

Per comprendere come funziona l'universo al suo livello più fondamentale, gli scienziati spesso sparano fasci di particelle contro i nuclei atomici e osservano cosa accade quando collidono. Una delle domande più importanti in questo campo riguarda i neutrini, particelle fantasma che interagiscono raramente con la materia ma che trasportano informazioni cruciali sulla storia del cosmo. Per imparare da queste particelle elusive, i ricercatori devono ricostruire l'energia del fascio di neutrini analizzando i detriti lasciati dopo una collisione. Tuttavia, questa ricostruzione è incredibilmente difficile perché i nuclei bersaglio sono ambienti complessi e affollati dove le regole della fisica semplice spesso decadono. L'incertezza nella modellazione di queste interazioni nucleari è attualmente il maggiore ostacolo che impedisce agli scienziati di effettuare misurazioni precise delle proprietà fondamentali dell'universo.

Per risolvere questo problema, i fisici si rivolgono spesso agli elettroni. Gli elettroni si comportano in modo molto simile ai neutrini quando colpiscono un nucleo, ma a differenza dei neutrini, la loro energia è nota esattamente prima della collisione. Questo rende lo scattering elettronico un laboratorio ideale per testare quanto bene le nostre teorie descrivano il comportamento nucleare. Per decenni, gli scienziati hanno raccolto enormi quantità di dati su come gli elettroni rimbalzano sugli atomi di carbonio, creando una mappa dettagliata di ciò che accade durante queste collisioni. La sfida è stata che, sebbene abbiamo una mappa perfetta del risultato totale, ci manca una guida chiara su come quel risultato totale sia costruito a partire dai pezzi specifici e individuali del puzzle. Questa lacuna ha lasciato un significativo punto cieco nella nostra capacità di simulare questi eventi con precisione per la prossima generazione di esperimenti.

Per colmare questo divario, un team di ricercatori dell'Università di Brescia ha sviluppato un nuovo metodo, combinando efficacemente la precisione dei dati sperimentali con la narrazione dettagliata delle simulazioni al computer. Hanno creato un sistema che prende una previsione altamente accurata del risultato totale della collisione, derivata da una rete neurale profonda addestrata su decenni di dati sull'elettrone-carbonio, e la scompone nei tipi specifici di interazioni che avvengono. Ciò consente loro di generare simulazioni complete e realistiche di ogni particella che vola fuori dalla collisione, garantendo che il quadro totale corrisponda al mondo reale mentre i singoli dettagli rimangono fisicamente coerenti.

Il cuore di questo lavoro prevede un processo intelligente in due fasi. Per prima cosa, i ricercatori hanno utilizzato un sofisticato programma per computer per simulare milioni di collisioni di elettroni con atomi di carbonio. Questo programma si basa su teorie consolidate per prevedere i dettagli specifici di ogni evento, come se l'elettrone avesse espulso un singolo protone, creato un pione o innescato una reazione più complessa che coinvolge più particelle. Queste simulazioni forniscono la "storia" dell'evento, descrivendo esattamente come appaiono le particelle finali e come si muovono. Tuttavia, il numero totale di eventi previsto da queste teorie spesso non corrisponde perfettamente ai dati sperimentali reali in tutti gli intervalli di energia.

Per correggere questa discrepanza, il team ha introdotto un secondo livello: una rete neurale profonda. Si tratta di un tipo di intelligenza artificiale addestrata specificamente sul vasto archivio di misurazioni reali dello scattering elettrone-carbonio. La rete ha imparato a prevedere il numero totale di collisioni che dovrebbero avvenire a una data energia con estrema precisione, agendo efficacemente come un riferimento perfetto per il risultato totale. Tuttavia, questa rete neurale è valida solo entro un intervallo ristretto di trasferimenti di energia: non può descrivere collisioni in cui il trasferimento di energia è troppo basso (dove il nucleo recede come un tutto) o troppo alto (dove l'interazione diventa troppo complessa). I ricercatori hanno quindi preso gli eventi generati dal computer e hanno regolato la loro importanza, o "peso", in modo che il numero totale di eventi corrispondesse alla previsione perfetta della rete neurale all'interno di questo intervallo valido. Questo processo assicura che la simulazione sia ancorata alla realtà.

Fondamentalmente, il team non si è limitato ad aggiustare il conteggio totale; ha anche determinato come distribuire tale conteggio tra i diversi tipi di interazioni. Hanno calcolato la frazione di eventi che dovrebbero essere scattering quasi-elastico, dove una singola particella viene espulsa, rispetto alle correnti di scambio di mesoni, dove l'interazione coinvolge uno scambio più complesso di forze tra le particelle, e la produzione di singolo pione. Applicando queste frazioni alla previsione totale della rete neurale, hanno creato un nuovo framework ibrido che chiamano eWroNet. Questo sistema produce un insieme completo di eventi simulati in cui il comportamento totale è dettato dai dati reali, ma i dettagli specifici di ogni evento sono ancora generati dai modelli fisici. È importante notare che i modelli fisici sottostanti utilizzati per generare questi dettagli sono attualmente limitati: descrivono accuratamente la risonanza "Delta(1232)" (uno stato specifico eccitato del nucleo), ma non includono ancora risonanze a energia più elevata o lo scattering anelastico profondo, necessari per descrivere le collisioni più energetiche.

Quando i ricercatori hanno testato questo nuovo sistema contro misurazioni indipendenti delle collaborazioni CLAS ed e4$\nu$ presso il Thomas Jefferson National Accelerator Facility, i risultati sono stati rivelatori. Il sistema ha riprodotto il numero totale di collisioni nell'intervallo di energia in cui la rete neurale è stata addestrata, confermando che il metodo funziona come previsto, sebbene sia rimasto comunque al di sotto dei dati sperimentali di circa il 15% al picco quasi-elastico e del 30% al picco Delta. Tuttavia, quando hanno esaminato i dettagli specifici dei detriti, in particolare nella regione in cui appaiono le risonanze più pesanti, la simulazione ha iniziato a scendere al di sotto dei dati sperimentali. Il sistema ha sottostimato il numero di eventi in queste regioni a energia più alta, una limitazione che deriva dal fatto che i modelli di simulazione sottostanti non tengono ancora pienamente conto delle interazioni più complesse e ad alta energia.

Lo studio ha anche evidenziato una specifica tensione tra diversi set di dati sperimentali. Le nuove simulazioni corrispondevano quasi perfettamente a un set di misurazioni del Stanford Linear Accelerator Center, ma erano significativamente inferiori ai risultati degli esperimenti di Jefferson Lab a energie simili. Questa discrepanza suggerisce che potrebbero esserci incongruenze nei dati sperimentali stessi o che la nostra comprensione del bersaglio nucleare necessiti di ulteriori raffinamenti. I ricercatori hanno scoperto che, sebbene il loro metodo potesse prevedere accuratamente il numero totale di collisioni, faticava a spiegare la piena complessità dei detriti delle particelle nelle misurazioni semi-esclusive, dove vengono rilevate solo determinate particelle.

In definitiva, questo lavoro fornisce un potente nuovo strumento per il campo. Dimostra che è possibile prendere una previsione basata sui dati e sull'apprendimento automatico di un risultato totale e scomporla nei canali fisici specifici che la generano. Ciò consente agli scienziati di utilizzare i dati più accurati disponibili per guidare le loro simulazioni pur mantenendo l'informazione dettagliata sulla cinematica delle particelle necessaria per esperimenti complessi. Sebbene l'attuale modello presenti dei limiti, in particolare nel gestire le collisioni più energetiche e l'intricata interferenza tra diversi processi quantistici, esso offre una via chiara da seguire. Perfezionando i modelli sottostanti ed estendendo il metodo ad altri bersagli atomici, come l'argon, questo approccio potrebbe ridurre significativamente le incertezze che attualmente ostacolano la nostra capacità di misurare le proprietà fondamentali dell'universo.