Electron Identification using Machine Learning in the MPD Experiment at NICA

No coração da matéria, onde os átomos se dissolvem em uma sopa de seus menores blocos de construção, reside um estado de existência que preencheu todo o universo momentos após o Big Bang. Os cientistas chamam isso de Plasma de Quarks-Glúons, um fluido fervilhante e ultraquente onde prótons e nêutrons se fundem, separando-se em seus quarks e glúons constituintes. Para estudar esse estado primordial, pesquisadores o recriam no laboratório colidindo núcleos atômicos pesados a velocidades incríveis. Essas colisões geram temperaturas e pressões extremas, formando brevemente uma pequena gota dessa matéria do universo primitivo. No entanto, para entender o que aconteceu dentro dessa gota, os cientistas devem ser capazes de ver as partículas específicas que escapam da explosão. Entre os mensageiros mais importantes estão os elétrons, que carregam um sinal limpo das condições dentro da bola de fogo. Mas encontrar esses elétrons é como tentar avistar uma única agulha de prata em um palheiro de agulhas de ouro, porque as colisões produzem bilhões de outras partículas que parecem muito semelhantes.

No Nuclotron-based Ion Collider fAcility, na Rússia, um novo e massivo experimento chamado Multi-Purpose Detector está sendo construído para capturar essas colisões. A instalação foi projetada para colidir íons em energias que permitam aos cientistas explorar como a matéria se comporta quando está compactada com uma alta densidade de prótons e nêutrons, uma condição semelhante ao núcleo de uma estrela de nêutrons. O detector é uma máquina grande, em formato de barril, repleta de camadas de sensores que rastreiam os caminhos e as energias das partículas conforme elas voam para fora do ponto de colisão. Uma das tarefas mais críticas para os cientistas que trabalham com essa máquina é distinguir os raros elétrons do fundo esmagador de outras partículas carregadas, como píons e prótons. Se eles não conseguirem separar esses sinais de forma limpa, a física que esperam descobrir permanecerá oculta.

Os pesquisadores por trás deste estudo focaram em um desafio específico: como identificar elétrons com a maior precisão possível sem perder muitos deles no processo. Tradicionalmente, os cientistas utilizavam um método baseado em regras unidimensionais simples. Eles observavam a velocidade ou a perda de energia de uma partícula e traçavam uma linha, mantendo tudo de um lado e descartando o restante. Embora essa abordagem seja direta, ela é rudimentar. Para garantir que não estão mantendo as partículas erradas, eles precisam estabelecer as regras de forma muito rigorosa, o que inevitavelmente descarta muitos dos elétrons corretos junto com os errados. A equipe queria saber se poderia fazer melhor utilizando o aprendizado de máquina (machine learning), um tipo de programa de computador que pode aprender a reconhecer padrões complexos em dados, em vez de seguir regras rígidas e pré-definidas.

Para testar essa ideia, a equipe criou uma simulação detalhada da resposta do detector a colisões entre núcleos pesados de bismuto. Eles geraram um conjunto massivo de dados de trajetórias de partículas simuladas, rotulando cada uma como um elétron ou uma partícula de fundo. Em seguida, ensinaram dois tipos diferentes de algoritmos de aprendizado de máquina a classificar esses dados. O primeiro foi uma rede neural, um sistema modelado após o cérebro humano que aprende ajustando as conexões entre camadas de unidades de processamento simples. O segundo foi uma árvore de decisão impulsionada (boosted decision tree), que funciona fazendo uma longa sequência de perguntas de sim ou não para refinar a identidade de uma partícula. Ambos os sistemas receberam uma variedade de medições, incluindo o momento da partícula, quanta energia ela perdeu ao passar pelo gás do detector e como sua velocidade se comparava à sua energia.

Os pesquisadores descobriram que as abordagens de aprendizado de máquina superaram significativamente o método tradicional. Quando utilizaram as regras unidimensionais padrão, o sistema conseguia atingir alta pureza, o que significa que os elétrons mantidos eram quase certamente reais, mas só conseguia encontrar cerca de metade do total de elétrons disponíveis. Os modelos de aprendizado de máquina, no entanto, foram capazes de encontrar cerca de 50 por cento a mais de elétrons mantendo esse mesmo alto nível de pureza. Essa melhoria não foi uniforme em todas as velocidades; os algoritmos tiveram que ser ensinados de forma diferente dependendo de quão rápido as partículas se moviam. Ao treinar modelos separados para diferentes faixas de momento, a equipe garantiu que o sistema permanecesse preciso mesmo para as partículas mais rápidas, onde os métodos tradicionais tendem a falhar.

Uma das descobertas mais interessantes foi como os dois modelos de aprendizado de máquina abordaram o problema de maneiras distintas. A rede neural tendeu a depender fortemente da razão entre a energia e o momento de uma partícula, uma medição que é particularmente útil para identificar elétrons em altas velocidades. A árvore de decisão, por outro outro lado, utilizou frequentemente a medição de perda de energia no gás, independentemente da velocidade da partícula. Essa diferença sugere que os dois algoritmos encontraram formas diferentes de distinguir o sinal do ruído, mas ambos tiveram sucesso onde o método antigo falhou. O resultado é uma ferramenta que permite aos físicos ver mais dos raros elétrons que escapam da colisão, efetivamente dobrando a quantidade de dados utilizáveis que podem reunir para sua análise.

Este trabalho representa um passo crucial para o Multi-Purpose Detector enquanto ele se prepara para iniciar suas operações. As técnicas de aprendizado de máquina descritas aqui não são apenas exercícios teóricos; são ferramentas práticas que serão usadas para analisar dados reais assim que o detector estiver totalmente comissionado. Ao melhorar a capacidade de identificar elétrons, o experimento poderá estudar as propriedades do Plasma de Quarks-Glúons com muito mais precisão. Os pesquisadores observam que, embora esses resultados venham de simulações, eles fornecem uma base sólida para a análise de dados reais. A capacidade de extrair mais sinal da mesma quantidade de dados significa que o experimento poderá responder a questões fundamentais sobre a natureza da matéria e o universo primitivo com uma clareza que antes era inalcançável.