⚛️ high-energy experiments

MANGO: An Autodiff Neutrino Oscillation Engine for Differentiable Analysis Pipelines

Este artigo apresenta o MANGO, um motor de oscilação de neutrinos totalmente diferenciável que permite a análise eficiente e de ponta a ponta baseada em gradientes de cenários de propagação complexos e designs experimentais ao computar sensibilidades para todas as entradas — incluindo perfis de densidade da Terra e parâmetros do detector — com um overhead computacional mínimo.

Autores originais: Pierre Granger

Publicado 2026-08-14

📖 6 min de leitura🧠 Leitura aprofundada

CC BY 4.0

Autores originais: Pierre Granger

Artigo original sob licença CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/). ✨ Esta é uma explicação gerada por IA do artigo abaixo. Não foi escrita nem endossada pelos autores. Para precisão técnica, consulte o artigo original. Ler aviso legal completo

Os Fantasmas Invisíveis e a Matemática que os Move

Imagine que o universo está repleto de minúsculas partículas fantasmagóricas chamadas neutrinos. Elas são tão tímidas que podem atravessar um ano-luz de chumbo sólido sem colidir com nada, e trilhões delas estão passando pelo seu corpo agora mesmo, completamente despercebidas. Essas partículas vêm em três "sabores" (pense neles como cores diferentes: eletrônico, muônico e tauônico) e, conforme viajam pelas vastas distâncias do espaço ou através da Terra, elas têm o hábito mágico de mudar de cor. Esse fenômeno é chamado de "oscilação de neutrinos".

Cientistas têm estudado esses metamorfos há décadas para entender as regras fundamentais do universo. Para fazer isso, eles constroem detectores massivos nas profundezas do subsolo e esperam que um neutrino interaja. Mas, para descobrir o que o neutrino estava fazendo, eles precisam executar simulações computacionais complexas. Essas simulações agem como uma máquina do tempo, prevendo como um neutrino deve se comportar enquanto viaja pelo núcleo, pelo manto e pela atmosfera da Terra.

Por muito tempo, essas simulações foram como uma rua de mão única. Você podia inserir as condições iniciais (de onde o neutrino veio, quão rápido ele estava indo) e obter uma resposta (qual sabor ele possui quando chega). Mas, se você quisesse saber por que a resposta mudava quando você alterava um único número — como a densidade do núcleo da Terra ou o ângulo em que o neutrino entrava —, você tinha que rodar a simulação inteira novamente, mudar o número ligeiramente e rodá-la de novo. Era como tentar encontrar a receita perfeita para um bolo cozinhando um novo toda vez que você queria saber se adicionar uma pitada a mais de açúcar ajudaria. Funcionava, mas era lento, desajeitado e tornava quase impossível otimizar o próprio experimento.

O Novo Motor: MANGO

Conheça o MANGO (que significa "MANGO: Um Oscilador de Gradiente de Neutrinos"). Pense no MANGO não apenas como uma calculadora, mas como um motor superinteligente e autoconsciente que consegue fazer a matemática de trás para frente. No mundo da ciência da computação, isso é chamado de "diferenciação automática". Enquanto as ferramentas tradicionais só conseguem dizer o resultado de um cálculo, o MANGO pode dizer exatamente o quão sensível esse resultado é a cada um dos ingredientes usados para fabricá-lo, tudo de uma só vez.

O artigo apresenta o MANGO como uma nova ferramenta de código aberto construída sobre um framework de programação moderno chamado JAX. Seu superpoder principal é que ele trata todo o processo da física de neutrinos como uma única cadeia contínua de matemática. Normalmente, os cientistas calculam a probabilidade de um neutrino mudar de sabor e então param. O MANGO mantém a "cadeia matemática" aberta. Ele permite que o computador rastreie a sensibilidade do resultado final de volta através da resposta do detector, da forma como os dados são agrupados e até mesmo da própria forma física da Terra.

O que o MANço Realmente Faz

O pesquisador construiu o MANGO para resolver uma dor de cabeça específica: calcular derivadas (inclinações) de probabilidades de neutrinos. No passado, calcular essas inclinações era impossível ou exigia que os cientistas escrevessem manualmente fórmulas complexas e propensas a erros para cada novo cenário. O MANGO muda o jogo ao tornar cada etapa do cálculo diferenciável.

Aqui está o que o artigo demonstra:

Ele vê o invisível: O MANGO pode calcular como a probabilidade do neutrino muda se você ajustar coisas que as fórmulas tradicionais ignoram, como a profundidade exata do detector, a altura onde o neutrino foi criado na atmosfera ou a densidade de camadas específicas dentro da Terra.
Ele lida com o que é complexo: A Terra não é uma esfera perfeita com camadas suaves; ela possui crosta, manto e núcleo, cada um com densidades diferentes. O MANGO pode modelar essa Terra "em camadas" (usando um modelo padrão chamado PREm) e até lidar com teorias de física não convencionais, onde os neutrinos podem interagir com a matéria de novas maneiras ou perder sua "coerência" quântica.
É incrivelmente rápido: O artigo mostra que calcular a sensibilidade para todos os 369 parâmetros diferentes de um modelo de Terra em camadas (densidades, frações eletrônicas e raios de casca) leva apenas cerca de 2,5 a 3 vezes mais tempo do que rodar a simulação uma única vez. Do jeito antigo, fazer isso teria exigido centenas de execuções separadas.
É preciso: O autor verificou que os resultados do MANGO coincidem com outras ferramentas estabelecidas (como OscProb e NuFast) dentro de uma fração minúscula de percentual (especificamente, diferenças tão pequenas quanto $10^{-9}$ a $10^{-5}$ ). Eles também provaram que a matemática funciona perfeitamente mesmo quando os neutrinos passam pelo núcleo da Terra, uma região onde a matemática costuma ficar muito complicada.

Um Teste do Mundo Real: A Tomografia da Terra

Para demonstrar seu poder, o autor usou o MANGO para realizar uma análise "tomográfica" da Terra. Imagine tentar descobrir a densidade do núcleo da Terra observando neutrinos passarem por ele.

Usando o MANGO, eles não apenas adivinharam a densidade; eles calcularam exatamente quanta incerteza haveria nessa medição. Mas aqui está o detalhe: eles então diferenciaram através dessa incerteza para ver como ela mudaria se melhorassem a resolução angular do detector (o quão bem o detector consegue identificar a direção do neutrino).

Em uma única passagem, o MANGO calculou que melhorar a capacidade do detector de medir ângulos em apenas 0,01 melhoraria a precisão da medição da densidade do núcleo da Terra em 7,8%. Este é um tipo de cálculo de "design experimental" que era anteriormente inalcançável porque exigia diferenciar através de toda a cadeia de física, estatística e hardware do detector.

O Que Ele Não É (e O Que Não Faz)

É importante notar o que o MANGO não é. Não é uma ferramenta para simular neutrinos de alta energia que são absorvidos ou destruídos pela Terra (um processo chamado atenuação); para isso, outras ferramentas ainda são necessárias. Também não é uma varinha mágica que resolve todos os problemas de física instantaneamente; é um fundamento. O autor afirma explicitamente que, embora o MANGO lide perfeitamente com a física central de oscilação, estendê-lo para cobrir o transporte de matriz de densidade completo ou simulações completas de experimentos (como as feitas por outros grandes pacotes de software) é um trabalho para o futuro.

A Conclusão

O artigo apresenta o MANGO como uma mudança fundamental. Ele move a física de neutrinos de um mundo onde você calcula um resultado e depois tenta adivinhar manualmente como melhorá-lo, para um mundo onde o computador lhe diz exatamente como ajustar o experimento, o detector ou o modelo para obter a melhor resposta possível. Ele transforma a "caixa preta" da simulação de neutrinos em uma máquina transparente e ajustável, permitindo que os cientistas otimizem seus experimentos e entendam o interior da Terra com um nível de precisão e velocidade que antes era inalcançável. O autor disponibilizou o código como código aberto, convidando o restante da comunidade científica a construir sobre este novo fundamento diferenciável.

Resumo Técnico: MANGO – Um Motor de Oscilação de Neutrinos com Autodiferenciação para Pipelines de Análise Diferenciáveis

Definição do Problema
Embora o cálculo das probabilidades de oscilação de neutrinos seja um problema bem estabelecido com softwares maduros e altamente otimizados (ex: Prob3++, OscProb, GLoBES, NuFast), calcular seus derivados exatos e incorporá-los em pipelines de análise de ponta a ponta diferenciáveis permanece um desafio não resolvido. As ferramentas existentes são excelentes para avaliações de probabilidade de propagação direta (forward), mas carecem de derivadas exatas automatizadas. Essa limitação arquitetônica impede a integração da física de oscilação em fluxos de trabalho modernos e diferenciáveis, como o Método de Monte Carlo Hamiltoniano (HMC), inferência variacional, substitutos neurais (surrogates) e design experimental baseado em gradiente. Além disso, fórmulas de derivadas analíticas são frequentemente restritas a regimes específicos (como densidade constante) e não conseguem acomodar facilmente geometrias complexas (como modelos da Terra em camadas) ou parâmetros não padronizados (como profundidade do detector ou altura de produção atmosférica) que não aparecem em expressões de probabilidade de forma fechada.

Metodologia
O artigo apresenta o mango (MANGO: A Neutrino Gradient Oscillator), um motor de oscilação composicional implementado nativamente em JAX. Em vez de derivar derivadas analíticas para casos específicos, o mango implementa um núcleo de propagação geral e utiliza Diferenciação Automática (AD) para obter derivadas exatas em relação a todas as entradas.

Núcleo de Propagação: O motor suporta propagação no vácuo, densidade constante, PREM em camadas, perfil arbitrário e solar adiabática. Ele lida com oscilações padrão de três sabores, bem como cenários Além do Modelo Padrão (BSM), incluindo interações não padronizadas (NSI), estados estéreis 3+N, decoerência ambiental e mistura não unitária.
Geometria e Diferenciabilidade: O framework trata a geometria de propagação (ângulo zenital, altura de produção, profundidade do detector) como entradas diferenciáveis. Ao construir a corda da trajetória e as interseções das camadas via funções diferenciáveis de forma fechada, o motor calcula derivadas em relação a parâmetros geométricos que estão ausentes em fórmulas analíticas tradicionais.
Backend Numérico: Para garantir precisão numérica e diferenciabilidade através de degenerescências espectrais, o mango utiliza uma expansão de diferença dividida (Cayley–Hamilton) como seu motor de produção padrão. Esta abordagem evita a computação explícita de autovetores, contornando assim as singularidades de derivada ( $1/(\lambda_i - \lambda_j)$ ) que assolam rotinas de diagonalização padrão próximas a cruzamentos de níveis de massa. Backends alternativos incluem um algoritmo NuFast transcrito em JAX, diagonalização Hermitiana densa e exponenciais de Padé para verificação.
Modelo de Diferenciabilidade: O motor suporta AD de modo direto (forward-mode) e modo reverso (reverse-mode). Crucialmente, o custo do modo reverso depende da dimensão da saída, e não da dimensão da entrada. Isso permite a avaliação de sensibilidades para centenas de parâmetros (por exemplo, 369 parâmetros para um modelo de Terra em camadas) com um overhead constante de apenas 2,5 a 3 vezes uma única passagem direta (forward pass).

Principais Contribuições

Motor Diferenciável Composicional: o mango fornece o primeiro motor de oscilação onde cada quantidade computada é diferenciável em relação a todas as entradas, incluindo geometria de propagação, profundidade do detector e densidade de cada camada da Terra.
Cobertura e Alcance: o motor suporta derivadas para cada configuração que manipula (PREM em camadas, perfis solares contínuos, NSI, estados estéreis) e permite a diferenciação em relação a quantidades não presentes em fórmulas analíticas, como os parâmetros de geometria de corda ( $\cos \theta_z$ , $h_{atm}$ , $d_{det}$ ) e densidades por camada.
Diferenciabilidade de Ponta a Ponta: o grafo de AD não termina no cálculo da probabilidade. Ele flui continuamente através da resposta do detector, ponderação de eventos, agrupamento em histogramas (binning) e verossimilhanças (likelihoods). Isso permite que uma única chamada de jax.grad retorne o gradiente de uma medida de mérito de análise de física em relação a qualquer quantidade anterior.
Robustez Numérica: Ao utilizar diferenças divididas, o motor garante derivadas de AD $C^\infty$ suaves através de cruzamentos exatos de níveis de massa e ressonâncias MSW, evitando as instabilidades numéricas associadas à diferenciação de autovetores.

Resultados

Precisão: As probabilidades de três sabores e de Terra em camadas coincidem com benchmarks externos (OscProb, NuFast-Earth) dentro de $10^{-9}$ a $10^{-5}$ . Todos os modelos diretos, limites BSM e caminhos de diferenciação são verificados contra soluções analíticas exatas e diferenças finitas, com desvios relativos tipicamente na ordem de $10^{-10}$ a $10^{-5}$ .
Desempenho: Em uma GPU NVIDIA A100, o port de NuFast de densidade constante executa em 61 ns por ponto de energia, enquanto o kernel geral de diferença dividida executa em 116 ns. O caminho PREM em camadas (envolvendo ~50 segmentos) custa aproximadamente 158 $\mu$ s por ponto.
Escalabilidade: Avaliar sensibilidades para todos os 369 parâmetros de densidade, fração de elétrons e raio de camada da Terra custa não mais do que os 6 parâmetros padrão de oscilação (um fator de custo de ~3,0× da passagem direta). Em contraste, a diferenciação finita exigiria cerca de 250 vezes mais avaliações.
Demonstração: O artigo demonstra uma análise de tomografia terrestre estilizada. Em uma única passagem, o mango computa a incerteza marginalizada de um modelo de densidade radial de seis zonas. Ao diferenciar através da matriz de Fisher inversa, ele avalia a sensibilidade desta incerteza em relação à resolução angular do detector. Isso gera uma métrica de design experimental (ex: quanto a precisão da densidade do núcleo melhora com uma melhor resolução angular) que é inalcançável usando fórmulas de probabilidade analíticas tradicionais.

Significância
O artigo afirma que o mango fornece uma mudança fundamental para os fluxos de trabalho de oscilação de neutrinos, movendo-se de calculadores tradicionais de apenas propagação direta para um motor diferencial exato e de ponta a ponta. Sua principal significância reside em permitir a inferência diferenciável e o design experimental, onde modelos de física, parâmetros de design de instrumentos e pipelines de análise podem ser conjuntamente diferenciados e otimizados. Ao manter sinais de sensibilidade exatos através de todo o pipeline, o mango permite:

Design Experimental: Otimizar esquemas de agrupamento (binning) e avaliar trocas de hardware (ex: resolução angular vs. alcance de tomografia) via gradiente descendente.
Ajustes de Alta Dimensão: Permitir a marginalização rápida sobre centenas de parâmetros de perturbação (nuisance parameters) usando minimizadores baseados em gradiente e HMC.
Inversões Geofísicas: Facilitar técnicas de inversão baseadas em gradiente para reconstruir perfis contínuos de densidade do interior da Terra diretamente a partir de dados de neutrinos.

O trabalho estabelece uma base composicional e diferenciável que conecta a mecânica quântica fundamental diretamente ao potencial de descoberta experimental, abordando um gargalo crítico nas análises modernas de alta energia.

Os Fantasmas Invisíveis e a Matemática que os Move

O Novo Motor: MANGO

Mais como este