Results of the analysis of a survey for young scientists on training quality in HEP instrumentation software and machine learning

Este relatório detalha os resultados de uma nova pesquisa lançada pelo grupo de Software e Aprendizado de Máquina para Instrumentação do Painel de Pesquisadores Iniciais do ECFA, que envolveu 174 participantes e visa orientar a melhoria dos programas de formação em software e aprendizado de máquina para jovens cientistas na física experimental.

O essencial

Imagine que a física de partículas é como uma gigantesca orquestra tentando tocar a música mais complexa do universo. Para fazer isso, os cientistas usam instrumentos incríveis (detectores) e partituras digitais (softwares). Mas, e se a maioria dos músicos jovens estivesse tentando tocar sem saber ler a partitura e sem ter aulas?

É exatamente sobre isso que fala este relatório. Ele é como um termômetro feito pelos próprios jovens cientistas da Europa (os "ECRs") para medir como estão as aulas e o treinamento que recebem para usar essas ferramentas digitais.

Aqui está o resumo da história, traduzido para uma linguagem do dia a dia:

1. O Grande Problema: "Muitos tocam, poucos aprenderam"

Em 2021, descobriu-se que 71% dos cientistas usavam ferramentas de código aberto (como se fossem "ferramentas gratuitas da internet") para seus trabalhos, mas 70% deles nunca tiveram uma aula sobre como usá-las. Eles estavam aprendendo na marra, tentando e errando.

Para consertar isso, um grupo de jovens cientistas fez uma nova pesquisa em 2025 com 174 participantes. O objetivo era descobrir: "Onde estamos errando no ensino e como podemos melhorar?"

2. O Que Eles Descobriram (Os 4 Pilares)

A pesquisa dividiu o aprendizado em quatro áreas principais. Pense nelas como os quatro instrumentos principais da orquestra:

A. Inteligência Artificial (Machine Learning) – O "Músico Virtuoso"

• O Cenário: Quase todo mundo (98%) usa ou quer usar Inteligência Artificial (IA) para analisar dados. É como se a IA fosse o novo "solista" que todos querem ter na banda.
• O Problema: A maioria aprendeu sozinha ou pedindo ajuda a um colega mais velho. Pouquíssimos foram a escolas de IA.
• O Que Eles Querem: Eles não querem teorias chatas de matemática. Querem mão na massa. Imaginem um workshop onde você não apenas ouve o professor, mas pega o violão e toca junto com ele, com exemplos reais de física. Eles querem "receitas de bolo" prontas para usar, não apenas a química do fermento.

B. Simulação de Detectores – O "Simulador de Voo"

• O Cenário: Antes de construir um detector real (que custa milhões), os cientistas usam softwares para simular como ele funcionaria. É como um simulador de voo para pilotos.
• O Problema: A maioria não sabe usar bem esses simuladores. Muitos nem sabem que existem escolas para aprender isso.
• O Que Eles Querem: Documentação clara (manuais que fazem sentido) e workshops curtos e diretos. Eles preferem aprender a pilotar o avião em um simulador rápido do que assistir a uma palestra de 3 horas sobre aerodinâmica.

C. Sistemas de Coleta de Dados (DAQ) – O "Sistema de Áudio"

• O Cenário: Quando as partículas colidem, o detector gera uma enxurrada de dados. O sistema DAQ é o "mixer de som" que organiza, grava e salva tudo isso.
• O Problema: Metade dos jovens cientistas nem sabe que existem cursos sobre isso. Muitos usam ferramentas comerciais ou personalizadas sem saber o que estão fazendo.
• O Que Eles Querem: Novamente, documentação completa e workshops focados. Eles querem saber como conectar os cabos e ajustar os botões, não a teoria de como o som viaja pelo ar.

D. Eletrônica de Detectores – A "Engenharia de Hardware"

• O Cenário: É a parte física e elétrica que transforma o sinal da partícula em um sinal digital. É a "fiação" e os "circuitos" do detector.
• O Problema: É a área com menos interesse e menos treinamento. Ninguém foi a uma escola sobre isso na pesquisa!
• O Que Eles Querem: O mesmo padrão: aprender fazendo, com exemplos práticos e manuais que expliquem como consertar o circuito se ele der defeito.

3. O Veredito Final: O Que Funciona e O Que Não

Se a pesquisa fosse um restaurante, os cientistas estariam dizendo:

• ❌ Não queremos: Palestras longas, teóricas e cheias de matemática complexa sem contexto.
• ✅ Queremos:
  1. Manuais de Instrução (Documentação): Como um livro de receitas bem escrito, com exemplos reais.
  2. Workshops Curtos: Sessões intensivas de "mão na massa".
  3. Aulas Práticas: Aprender com especialistas fazendo o trabalho real, não apenas ouvindo.
  4. Centralização: Um "Google" ou um site central onde você possa filtrar e encontrar todas as aulas disponíveis, sem ter que caçar por aí.

A Conclusão em Uma Frase

Os jovens cientistas estão prontos para tocar a música do universo, mas precisam de manuais de instruções melhores, aulas práticas e menos teoria chata. Eles pedem que as escolas de física parem de ser apenas palestras e se tornem oficinas de aprendizado, onde todos possam sair sabendo exatamente como usar as ferramentas do dia a dia.

O relatório sugere que, em vez de criar apenas mais eventos presenciais, a comunidade deve focar em documentar tudo o que é ensinado e colocar na internet, para que qualquer pessoa, em qualquer lugar e a qualquer hora, possa aprender no seu próprio ritmo.

Resumo técnico

Resumo Técnico: Análise de Treinamento em Software de Instrumentação e Aprendizado de Máquina para Jovens Cientistas em Física de Altas Energias (HEP)

1. Problema e Contexto

Um estudo anterior de 2021 realizado pelo Painel de Pesquisadores em Carreira Inicial (ECR) da ECFA revelou uma lacuna crítica na formação científica: embora 71% dos pesquisadores utilizassem ferramentas de software de código aberto em trabalhos de instrumentação, 70% relataram não ter recebido nenhum treinamento formal para essas ferramentas.
Diante disso, o grupo de "Software e Aprendizado de Máquina para Instrumentação" do Painel ECR da ECFA identificou a necessidade urgente de avaliar a acessibilidade e a qualidade dos programas de treinamento existentes. O objetivo principal é entender as barreiras que impedem a participação e as necessidades específicas dos pesquisadores em estágios iniciais de carreira (ECRs) em física experimental e aplicada, visando otimizar futuros programas educacionais.

2. Metodologia

• Inquérito: Foi lançada uma nova pesquisa em 2025, focada em obter insights para a tomada de decisões futuras sobre programas de treinamento.
• Participantes: O estudo contou com 174 participantes. A maioria (86%) trabalha na Europa, com o restante distribuído por Ásia, Américas e África. O perfil inclui pós-doutorandos, mestrandos, pesquisadores seniores, professores e pessoal técnico.
• Estrutura do Questionário:
  • Seção Geral: Caracterização da comunidade, consciência sobre ofertas educacionais e uso de escolas/treinamentos.
  • Módulos Específicos: As seções seguintes foram respondidas apenas por participantes interessados em tópicos específicos:
    1. Aprendizado de Máquina (ML).
    2. Simulação de Detectores.
    3. Sistemas de Aquisição de Dados (DAQ) e Controle de Detectores (DCS).
    4. Eletrônica de Detectores.
• Análise: Os dados foram analisados quantitativamente (distribuição de respostas, satisfação) e qualitativamente (respostas abertas sobre desafios e sugestões).

3. Contribuições Chave

O relatório fornece um diagnóstico abrangente do estado atual da formação em HEP e oferece diretrizes baseadas em dados para a reestruturação de escolas e workshops. As principais contribuições incluem:

• Identificação de que a autoaprendizagem e o aprendizado com colegas experientes são os métodos predominantes, enquanto a participação em escolas formais é minoritária.
• Mapeamento das ferramentas de software mais utilizadas e das lacunas de conhecimento em cada domínio (ML, Simulação, DAQ, Eletrônica).
• Definição de um modelo preferido de currículo baseado nas expectativas dos estudantes, priorizando sessões práticas sobre teoria.
• Proposta de melhorias na infraestrutura de informação (centralização de dados sobre cursos).

4. Resultados Principais

A. Acessibilidade e Qualidade Geral

• Desconhecimento: Mais da metade dos respondentes desconhece as oportunidades de treinamento disponíveis, indicando uma falha na divulgação.
• Participação: Apenas 28,7% dos respondentes participaram de alguma escola.
• Satisfação: Entre os que participaram, mais de 72% relataram satisfação acima de 70%.
• Críticas Comuns: Os cursos são frequentemente considerados muito avançados, rápidos ou teóricos demais, com falta de exemplos práticos relevantes para a análise de dados do HEP e falta de recursos de computação para prática pós-curso.

B. Aprendizado de Máquina (ML)

• Uso: 98% dos respondentes usam ou têm interesse em ML; apenas 2% não precisam.
• Ferramentas: Predominância de bibliotecas Python (PyTorch, Keras/TensorFlow, Scikit-Learn, XGBoost) e ROOT-TMVA.
• Método de Aprendizado: A maioria aprende de forma independente ou com colegas (apenas 9% via escolas dedicadas).
• Preferências: Há uma forte demanda por documentação completa com exemplos, workshops curtos e cursos online (40% preferem ao vivo). O currículo ideal deve focar em sessões práticas com especialistas e melhores práticas, reduzindo o tempo em fundamentos teóricos puros.

C. Simulação de Detectores

• Uso: 56% têm experiência; 6% não precisam.
• Ferramenta Principal: Geant4 é a ferramenta mais solicitada.
• Desafios: 42% não conhecem escolas sobre o tema. A maioria aprende sozinha ou com colegas.
• Preferências: Similar ao ML, há preferência por documentação detalhada e workshops curtos. O currículo ideal deve priorizar sessões práticas com especialistas e focar em softwares específicos, com menor ênfase teórica.

D. Aquisição de Dados (DAQ) e Controle de Detectores (DCS)

• Engajamento: 43% estão envolvidos ou interessados.
• Ferramentas: Grafana, Vivado e LabView são as mais citadas.
• Barreiras: 47% não conhecem escolas de DAQ. A falta de financiamento é um obstáculo citado por 14% dos interessados.
• Preferências: Documentação abrangente e workshops focados são as opções mais votadas (27% cada).

E. Eletrônica de Detectores

• Engajamento: Apenas 1/3 dos respondentes está envolvido.
• Ferramentas: Softwares de Automação de Design Eletrônico (EDA).
• Situação Crítica: Nenhum respondente relatou ter participado de uma escola dedicada a eletrônica de detectores.
• Preferências: A maioria aprende sozinha (50%) ou com colegas. As preferências de treinamento espelham os outros tópicos: documentação e workshops curtos.

F. Padrões Transversais (Conclusões Gerais)

• Método de Aprendizado: A autoaprendizagem é o método dominante em todos os tópicos.
• Estrutura Ideal de Curso: Os respondentes concordam que um currículo equilibrado deve ser composto aproximadamente por:
  • ~20% Sessões práticas com especialistas.
  • ~20% Workshops sobre melhores práticas.
  • ~15% Sessões focadas em software específico.
  • ~15% Projetos de desenvolvimento (individuais ou em equipe).
  • ~10% Introdução teórica (o componente menos desejado).

5. Significância e Recomendações

Este relatório é fundamental para a comunidade de HEP, pois demonstra que a formação atual é insuficiente e desalinhada com as necessidades práticas dos jovens pesquisadores. A falta de visibilidade dos cursos e a natureza excessivamente teórica ou avançada das ofertas atuais estão criando barreiras.

Recomendações Estratégicas:

1. Centralização e Visibilidade: Criar um site centralizado que liste todos os cursos disponíveis, com filtros por nível de conhecimento e área temática, para resolver o problema de "desconhecimento".
2. Documentação Pública: Disponibilizar publicamente a documentação e materiais de treinamento de escolas existentes para permitir o aprendizado offline e auto-dirigido.
3. Reestruturação Curricular: Redesenhar os programas de treinamento para priorizar aprendizado prático (hands-on), exemplos reais de HEP e sessões curtas e frequentes, em vez de longas aulas teóricas.
4. Apoio Logístico: Considerar fusos horários e fornecer acesso a recursos de computação para prática pós-curso.

Em suma, o documento serve como um guia orientador para que a ECFA e outras organizações de treinamento em HEP adaptem suas ofertas, garantindo que a próxima geração de cientistas tenha as competências técnicas necessárias para lidar com a complexidade crescente dos dados e instrumentação na física de altas energias.