Machine learning method for enforcing variable independence in background estimation with LHC data: ABCDisCoTEC

No mundo de alto risco da física de partículas, os cientistas atuam como detetives cósmicos, peneirando bilhões de pequenas colisões para encontrar um único evento raro que possa revelar uma nova lei da natureza. Essas colisões ocorrem dentro do Grande Colisor de Hádrons, um anel massivo enterrado sob a fronteira entre a Suíça e a França, onde feixes de prótons colidem a velocidades próximas à da luz. O spray resultante de partículas é registrado por detectores como o CMS, criando uma montanha de dados. O desafio não é apenas encontrar a nova partícula, conhecida como sinal, mas saber com precisão como é o ruído de fundo. Se o fundo for estimado incorretamente, um cientista pode confundir uma flutuação comum com uma descoberta, ou, pior, perder uma descoberta real escondida no ruído. Tradicionalmente, os físicos têm usado um truque inteligente chamado método "ABCD" para estimar esse fundo. Eles dividem seus dados em quatro caixas baseadas em duas medições diferentes. Se as duas medições forem completamente não relacionadas entre si, o número de eventos de fundo na caixa de "sinal" vazia pode ser previsto multiplicando as contagens nas outras três caixas. É uma forma confiável de usar dados reais para adivinhar como o fundo se parece, mas tem uma falha fatal: só funciona se essas duas medições forem verdadeiramente independentes.

Encontrar duas medições independentes como essas é incrivelmente difícil. No caos complexo de uma colisão de partículas, quase tudo está sutilmente conectado. Se as duas medições usadas para classificar os dados tiverem até mesmo um minúsculo vínculo entre si, a previsão falha e a estimativa do fundo torna-se não confiável. Durante anos, os físicos lutaram para encontrar o par correto de variáveis manualmente, um processo que é lento, difícil e frequentemente sem sucesso quando o sinal é muito semelhante ao fundo. Um pesquisador da Colaboração CMS no CERN desenvolveu agora uma nova solução que automatiza essa tarefa difícil usando aprendizado de máquina. Eles criaram um sistema que ensina um computador a inventar suas próprias duas medições, garantindo que sejam independentes e, ao mesmo tempo, excelentes em detectar o sinal. Esta nova abordagem, que chamam de ABCDisCoTEC, permite que eles estimem o fundo diretamente a partir dos dados observados com precisção muito maior, reduzindo a necessidade de depender de simulações computacionais imperfeitas.

O cerne desta inovação reside em como o modelo de aprendizado de máquina é treinado. No passado, os pesquisadores usavam um método chamado ABCDisCo, que ensinava uma rede neural a produzir duas saídas que eram estatisticamente independentes. No entanto, este método tinha um ponto cego. Ele podia garantir que as duas saídas fosuns descorrelacionadas, mas não podia garantir que os eventos de fundo se espalhassem suavemente pelos dados, o que é um requisito estrito para que o método ABCD funcione corretamente. O novo método ABCDisCoTEC corrige isso adicionando uma instrução específica ao processo de treinamento. O computador agora é instruído não apenas a tornar as duas saídas independentes, mas também a minimizar a "não-fechamento" (non-closure). Em termos simples, o não-fechamento é o erro que ocorre quando a previsão das três caixas de fundo não corresponde ao número real de eventos encontrados na caixa de sinal. Ao ensinar diretamente a rede a reduzir esse erro, o sistema aprende a organizar os dados de uma forma que torna a estimativa do fundo matematicamente sólida.

Para testar esta ideia, o pesquisador aplicou-a à busca de uma partícula hipotética chamada "top squark estelado supersimétrico". Esta partícula é uma parceira do quark top, uma partícula pesada já conhecida por existir, mas é prevista por teorias que se estendem além do nosso entendimento atual da física. O problema em encontrar esta partícula específica é que ela se parece quase exatamente com o ruído de fundo criado por pares de quarks top padrão. Em buscas anteriores, a incerteza sobre o quão bem o fundo era modelado limitou a capacidade de encontrar um sinal. O novo método foi testado usando dados simulados que mimetizam as condições do Grande Colisor de Hádrons. Os resultados mostraram que o modelo ABCDisCoTEC criou com sucesso duas novas variáveis que eram independentes entre si e melhorou significativamente a estabilidade e a robustez do arranjo do fundo. Isso permitiu ao pesquisador prever o fundo na região de sinal com alta precisão, melhorando significativamente a sensibilidade da busca, com detalhes específicos e resultados da busca documentados em uma referência separada.

Um grande obstáculo no uso de modelos de aprendizado de máquina tão complexos é o ajuste de muitos botões e seletores, conhecidos como hiperparâmetros, que controlam como a rede aprende. Normalmente, os cientistas têm que adivinhar essas configurações ou realizar milhares de testes para encontrar a combinação certa, um processo demorado e propenso a erros. O artigo também introduz uma segunda inovação para resolver isso: uma técnica matemática chamada método diferencial modificado de multiplicadores. Em vez de adivinhar o equilíbrio certo entre os diferentes objetivos do treinamento, este método trata os requisitos como restrições estritas. Ele força a rede a encontrar uma solução que atenda a alvos específicos de independência e precisão do fundo sem a necessidade de buscar manualmente através de possibilidades infinitas. Esta abordagem provou ser muito mais rápida e estável do que os métodos tradicionais, convergindo para a melhor solução em uma fração do tempo.

O pesquisador então validou suas descobertas aplicando o método a dados reais coletados do Grande Colisor de Hádrons. Eles definiram regiões específicas nos dados, separadas da área de busca principal, para verificar se o método funcionava corretamente em eventos de colisão reais. Os resultados mostraram que o comportamento do fundo nos dados reais correspondia ao comportamento visto nas simulações, com o erro de não-fechamento permanecendo pequeno e consistente nas regiões de validação. Esta validação é crucial porque confirma que o método é robusto o suficiente para ser usado em análises de física do mundo real, demonstrando que o modelo de aprendizado de máquina aprendeu a estrutura subjacente dos dados reais dentro dessas regiões de teste específicas.

As implicações deste trabalho estendem-se muito além desta única busca por uma nova partícula. O método ABCDisCoTEC representa um passo significativo no avanço da automação da análise de dados de física de altas energias. Ao permitir que os físicos estimem os fundos diretamente a partir dos dados observados com alta precisão, ele reduz a dependência de simulações teóricas, que podem ser imprecisas. Isso leva a medições mais confiáveis e a uma maior chance de detectar sinais sutis de nova física. A combinação do novo método de treinamento e da técnica de otimização avançada fornece um conjunto de ferramentas poderoso para experimentos futuros. Demonstra que o aprendizado de máquina pode ser usado não apenas para classificar dados, mas para melhorar fundamentalmente os métodos estatísticos usados para interpretar as colisões mais complexas do universo. À medida que o Grande Colisor de Hádrons continua a coletar dados, estas ferramentas serão essenciais na busca contínua para compreender os blocos fundamentais da realidade.