An AI-ready, Polarized Electron-Positron Collision Dataset

Este artigo apresenta uma versão modernizada e pronta para IA de aproximadamente 660.000 eventos reconstruídos de colisões elétron-pósitron do SLD e documentação interna recém-digitalizada, convertida de formatos legados para facilitar a pesquisa tanto em física de partículas quanto em aprendizado de máquina.

O essencial

Imagine uma biblioteca massiva e de alta tecnologia dos anos 1990 que guarda as plantas e os registros de um experimento muito especial. Este experimento, chamado SLD, era como uma "fábrica de Z" — esmagava elétrons e pósitrons para criar uma partícula chamada bóson Z. O que tornava essa fábrica única era que os feixes de elétrons eram "polarizados" — pense neles como piões todos girando na mesma direção. Isso permitia que os cientistas medissem coisas com uma precisão incrível que outros colisores não conseguiam.

No entanto, por décadas, os dados dessa fábrica ficaram trancados em um cofre digital. Os arquivos foram escritos em uma linguagem antiga e obscura (uma mistura de código Fortran antigo e formatos binários) que os computadores modernos não conseguiam ler, e as "chaves" para abri-los (o software original e a documentação) foram perdidas ou espalhadas.

Este artigo é a história de como uma equipe de cientistas usou Inteligência Artificial (IA) moderna para invadir esse cofre, traduzir a linguagem antiga e abrir as portas para todos.

Aqui está uma análise do que eles fizeram, usando analogias simples:

1. Os Dados da "Cápsula do Tempo"

A equipe liberou cerca de 660.000 eventos reconstruídos (instantâneos de colisões de partículas) de 1996 a 1998.

• O Problema: Esses arquivos eram como uma fita cassete em uma língua que ninguém mais fala. O software original para lê-los havia desaparecido, e a documentação era apenas pilhas de papel em um arquivo.
• A Solução de IA: Eles usaram agentes de IA (especificamente, uma ferramenta chamada "Claude") para agir como um arqueólogo digital. A IA analisou os dados binários brutos (os 1s e 0s) e os comparou com leis conhecidas da física (como um detetive checando o álibi de um suspeito contra a cena do crime).
  • Analogia: Imagine encontrar uma caixa trancada sem chave. Em vez de quebrá-la, você observa os arranhões na caixa, adivinha o que há dentro com base no peso e, então, usa um assistente inteligente para descobrir o código da fechadura de combinação. A IA ajudou a fazer a engenharia reversa do código para ler os dados.
• O Resultado: Eles construíram uma nova ferramenta de código aberto chamada jazelle que traduz esses arquivos antigos em formatos modernos e fáceis de usar (como Parquet), que qualquer cientista de dados pode usar agora.

2. A "Biblioteca Perdida" de Documentação

Junto com os dados, eles digitalizaram cerca de 1.190 documentos internos.

• O Probleimento: Eram papéis físicos, muitos deles fotocópias de fotocópias, com notas manuscritas, diagramas bagunçados e texto datilografado, tudo misturado. Scanners padrão costumam falhar com esse tipo de papel "bagunçado".
• A Solução de IA: Eles testaram quatro ferramentas de IA diferentes para ler esses documentos.
  • Analogia: É como tentar ler um cartão de receita manuscrito que tem manchas de café e rabiscos. Algumas ferramentas de IA tentaram transformar a caligrafia em texto, mas se confundiram com as linhas de grade no papel. Outras foram ótimas para ler tabelas, mas falharam em equações matemáticas.
  • Eles descobriram que, ao combinar as melhores ferramentas, podiam transformar essas páginas bagunçadas em texto pesquisável. Eles até construíram um "Bibliotecário de IA" (um sistema de perguntas e respostas) que pode ler esses documentos e responder a perguntas específicas, como: "Qual era a velocidade de clock do microprocessador usado em 1995?".

3. Provando que Funciona (O "Teste de Direção")

Antes de entregar as chaves, a equipe teve que provar que os dados eram precisos. Eles não apenas adivinharam; eles realizaram um "teste de direção".

• O Teste: Eles pegaram os dados recém-traduzidos e rodaram exatamente os mesmos cálculos de física que os cientistas originais fizeram 20 anos atrás.
• O Resultado: Os números coincidiram. Eles recriaram com sucesso as famosas medições do "ângulo de mistura fraca" (uma propriedade fundamental do universo) usando os novos dados. Isso provou que a tradução por IA não quebrou nada; ela apenas tornou os dados legíveis novamente.

4. Por que isso importa para a pesquisa de IA

O artigo destaca que este conjunto de dados é um campo de treinamento único para a Inteligência Artificial moderna.

• A Lacuna: A maioria dos modelos de IA em física é treinada em colisões próton-próton (como no Grande Colisor de Hádrons), que são bagunçadas e caóticas.
• A Diferença do SLD: Os dados do SLD são "limpos" e as condições iniciais são perfeitamente conhecidas.
• O "Novo Território": Os pesquisadores testaram um modelo de IA moderno (chamado OmniLearned) nesses dados. Eles descobriram que os dados do SLD ocupam um "bairro" completamente diferente (espaço latente) no cérebro da IA em comparação com outros conjuntos de dados.
  • Analogia: Se você treina um cachorro para buscar uma bola em um parque, ele pode ficar confuso se de repente pedir para ele buscar uma bola em uma piscina. Este conjunto de dados é a "piscina" que os modelos de IA atuais nunca viram. Ao liberá-lo, a equipe está dando aos pesquisadores de IA um novo e único ambiente para aprender, o que pode ajudar a construir modelos melhores e mais versáteis.

Resumo

Em suma, este artigo é sobre ressuscitar um tesouro científico perdido. A equipe usou IA para traduzir dados antigos e ilegíveis e notas de papel bagunçadas em um formato moderno e utilizável. Eles provaram que a tradução é precisa ao rodar novamente experimentos de física antigos, e mostraram que esses dados únicos oferecem um campo de recreação novo e limpo para treinar a próxima geração de modelos de IA na física de partículas.

Resumo técnico

Resumo Técnico: Um Conjunto de Dados de Colisão Elétron-Pósitron Polarizado e Pronto para IA

Definição do Problema
Apesar do impacto físico duradouro do experimento SLD no SLAC Linear Collider (SLC), seus dados reconstruídos da execução de 1996–1998 (aproximadamente 660.000 eventos) permaneceram inacessíveis às ferramentas de análise modernas. Os dados existiam em formatos binários legados "Jazelle", decodificados por um software escrito em Mortran (uma extensão do Fortran) que não está mais operacional em sistemas modernos. Além disso, o ecossistema proprietário e mal documentado significava que estruturas de dados críticas, como o banco de polarização do feixe de elétrons por evento (PHBM), estavam efetivamente perdidas. Essa inacessibilidade representa um gargalo para o aprendizado de máquina (ML) na física de partículas, que atualmente depende fortemente de dados de colisões próton-próton (LHC) e carece de conjuntos de dados diversos e de alta qualidade do regime $e^+e^-$, particularmente aqueles que apresentam polarização inicial conhecida. Adicionalmente, o conhecimento institucional necessário para interpretar esses conjuntos de dados legados reside em notas internas físicas que nunca foram digitalizadas.

Metodologia
Os autores executaram um esforço de modernização de duas frentes envolvendo a reconstrução de dados e a digitalização de documentação:

1. Reconstrução e Tradução de Dados:

   • Engenharia Reversa: A equipe realizou a engenharia reversa do formato binário Jazelle usando assistência de IA (especificamente o Claude, da Anthropic). Eles combinaram documentação legada parcial com "verdade fundamental baseada na física" (por exemplo, restrições cinemáticas de decaimentos $Z \to q\bar{q}$) para identificar posições de campos candidatos e tipos de dados dentro dos bancos binários.
   • O Toolkit jazelle: Um pacote Python de código aberto foi desenvolvido para ler os binários legados e emitir arrays de registros Awkward. Estes são serializados em formatos colunares modernos (Parquet, HDF5, Feather).
   • Escopo: O lançamento cobre as execuções de 1996–1998. Inclui cabeçalhos de eventos, informações do feixe (incluindo polarização), trilhas carregadas, clusters de calorímetro, subsistemas de identificação de partículas e tabelas relacionais. Aplica-se requisitos padrão de qualidade de dados, mas nenhum critério específico de seleção de canal.

2. Digitalização de Documentação e Prontidão para IA:

   • Corpus: Aproximadamente 1.190 notas internas do SLD/SLC (principalmente de 1980–1988) foram escaneadas de arquivos físicos.
   • Pipeline de Extração: Quatro ferramentas foram avaliadas para extração de texto: Marker, Docling, Nougat (modelos de pesos abertos) e a API Azure AI Document Intelligence. O pipeline lida com entradas heterogêneas, incluindo notas datilografadas, fotocópias, figuras desenhadas à mão e tabelas complexas.
   • Fluxo de Trabalho Agêntico: O texto extraído foi indexado usando recuperação híbrida (embeddings densos + busca por palavra-chave). Um sistema de perguntas e respostas agêntico foi construído para demonstrar a utilidade do corpus, utilizando um servidor de Protocolo de Contexto de Modelo (MCP) para recuperação e raciocínio iterativo.

Principais Resultados

• Validação Física: Os autores reproduziram medições canônicas do SLD no conjunto de dados traduzido para validar a consistência interna:
  • Distribuições Cinemáticas: Espectros de massa visível reconstruídos e variáveis de forma de evento ($\tau$) corresponderam à física esperada do polo $Z$ (por exemplo, topologia de dois jatos frente a frente).
  • Medições de Assimetria: A assimetria de seção reta esquerda-direita ($A_{LR}$) e as assimetrias de acoplamento leptônico ($A_\ell$) foram extraídas via contagem de eventos. O ângulo de mistura fraca efetivo derivado ($\sin^2 \theta_{eff}^W = 0,23144 \pm 0,00044$ a partir de $A_{LR}$) alinha-se com valores publicados, confirmando que o conjunto de dados preserva o conteúdo sensível à polarização.
  • Limitações: Os autores observam que os valores brutos de $A_{LR}$ diferem ligeiramente dos resultados publicados porque o conjunto de dados liberado carece do software de correção eletrofraca específico (ZFITTER) usado na análise original. Da mesma forma, as contagens de canais leptônicos mostram pequenas discrepâncias devido ao software de seleção original indisponível.
• Demonstração de ML: Usando o modelo de fundação OmniLearned, os autores incorporaram jatos do SLD junto com jatos do ALEPH ($e^+e^-$), H1 ($ep$) e JetClass ($pp$). A projeção t-SNE revelou que os dados do SLD ocupam uma região distinta no espaço latente, separada pelo estado inicial e escala de energia. Crucialmente, como o único dado de detector reconstruído na comparação, ele representa um regime (eletrão-pósitron polarizado no polo $Z$) não capturado pelas simulações de Monte Carlo públicas atuais.
• Desempenho da Documentação: Um sistema de QA agêntico alcançou quase a saturação de conclusão de tarefas (60/61 perguntas) em um benchmark autogerado, através da reformulação iterativa de consultas. Isso demonstrou que o corpus digitalizado suporta exploração científica complexa de múltiplos passos, superando as linhas de base de RAG de passagem única.

Significância e Alegações
O artigo afirma que este lançamento serve a três propósitos primários:

1. Preservação: Ele salva um conjunto de dados único do único colisor linear de alta energia $e^+e^-$ com feixes polarizados, uma configuração não replicada em futuros colididores.
2. Benchmarking de ML: Fornece um ambiente limpo e bem compreendido com estados iniciais e polarização conhecidos para complementar os dominantes conjuntos de dados de colididores de hádrons na pesquisa de ML. O espaço latente distinto dos dados do SLD oferece um novo campo de teste para transferência de aprendizado e benchmarks de mudança de domínio.
3. Potencial de Nova Física: O conjunto de dados permite novas análises aproveitando ML moderno e avanços teóricos que não eram possíveis durante a operação original do SLD.

Os autores enfatizam que o conjunto de dados é um "ponto de partida fiel" para análises que forneçam correções radiativas e tratamentos sistemáticos ausentes, em vez de uma re-derivação de resultados finais publicados. O trabalho também ilustra um padrão mais amplo: conjuntos de dados legados com software perdido podem ser recuperados combinando documentação sobrevivente, restrições da física e ferramentas modernas de IA.