GNN-based track reconstruction for MUonE experiment

No vasto cenário da física moderna, os cientistas buscam constantemente fissuras nos alicerces de sua teoria mais bem-sucedida, o Modelo Padrão. Esta teoria atua como um livro de regras sobre como o universo funciona em suas menores escalas, mas deixa algumas questões profundas sem resposta. Um dos mistérios mais persistentes envolve o múon, uma partícula semelhante ao elétron, porém muito mais pesada. Durante décadas, experimentos mediram como essa partícula oscila em um campo magnético, uma propriedade conhecida como seu momento magnético anômalo. As medições mostram consistentemente uma diferença pequena e obstinada em relação ao que o Modelo Padrão prevê. Essa lacuna sugere que forças ou partículas desconhecidas podem estar influenciando o múon, indicando uma camada mais profunda da realidade à espera de ser descoberta. No entanto, para confirmar isso, os físicos precisam medir o efeito com precisão extrema, o que exige calcular uma contribuição específica da interação de partículas com o vácuo do espaço. Esse cálculo é notoriamente difícil de ser realizado com a matemática tradicional, por isso um novo experimento chamado MUonE foi proposto para medi-lo diretamente, observando como os múons colidem com elétrons.

O desafio para o experimento MUonE não é apenas a física, mas o volume colossal de dados que ele deve processar. O experimento disparará um feixe de múons contra um alvo a uma taxa de 40 milhões de vezes por segundo. Nessa velocidade, os sistemas de computação devem decidir, em uma fração de segundo, quais colisões são interessantes e quais são apenas ruído de fundo. Se o sistema for muito lento, ele perderá os eventos raros que poderiam revelar nova física. Se for agressivo demais na filtragem, poderá descartar os próprios sinais que os cientistas procuram. A forma tradicional de filtrar esses dados envolve algoritmos complexos e passo a passo que tentam reconstruir os caminhos das partículas a partir dos minúsculos sinais deixados em sensores de silício. Embora precisos, esses métodos são computacionalmente pesados e têm dificuldade em acompanhar o ritmo implacável do feixe. Para resolver isso, uma equipe de pesquisadores na Polônia recorreu a um tipo diferente de inteligência: um sistema de aprendizado de máquina projetado para pensar como uma rede de conexões, em vez de uma lista linear de instruções.

Os pesquisadores desenvolveram um novo método usando uma Rede Neural de Grafos (Graph Neural Network), um tipo de inteligência artificial que se destaca na compreensão de relações entre objetos. Em vez de tratar os dados como uma grade de números ou uma imagem, o sistema visualiza o detector de partículas como um mapa de pontos e linhas. Cada ponto representa um lugar onde uma partícula atingiu um sensor, e as linhas representam os possíveis caminhos conectando esses impactos. O trabalho da rede é descobrir quais linhas são caminhos reais percorridos pelas partículas e quais são apenas coincidências aleatórias. Em uma abordagem tradicional, o computador poderia tentar construir todos os caminhos possíveis e depois verificar se eles fazem sentido, um processo que se torna impossivelmente lento conforme o número de partículas aumenta. O novo sistema, contudo, observa toda a teia de conexões de uma só vez, aprendendo a reconhecer a forma específica de uma trajetória de partícula válida.

Para testar essa ideia, a equipe utilizou dados simulados que mimetizam as condições do experimento MUonE, incluindo o arranjo específico de sensores e o comportamento de múons e elétrons. Eles treinaram a rede com milhares desses eventos simulados, ensinando-a a distinguir entre as trajetórias verdadeiras das partículas e as conexões falsas. Os resultados foram impressionantes. A rede identificou com sucesso os caminhos corretos com uma taxa de erro inferior a um por cento, um nível de precisão que se iguala aos melhores métodos tradicionais. Mais importante ainda, ela o fez com uma velocidade incrível. Enquanto os algoritmos antigos podiam processar cerca de 3.400 eventos por segundo em um computador potente, a nova rede neural processou mais de 31.000 eventos por segundo. Isso representa um aumento de dez vezes na velocidade, transformando efetivamente um gargalo em um fluxo contínuo.

Além de apenas encontrar as trajetórias, os pesquisadores também demonstraram que este sistema poderia distinguir os próprios tipos de partículas. Como os elétrons são muito mais leves que os múons, eles ricocheteiam em ângulos mais agudos quando colidem. A rede aprendeu a detectar essas diferenças sutis nos ângulos de espalhamento, identificando corretamente se uma trajetória pertencia a um elétron ou a um múon. Embora tenha cometido erros em cerca de 12 por cento desses casos de identificação, este nível de desempenho é promissor para um sistema que ainda está em seus estágios iniciais. A capacidade de realizar tanto a reconstrução de trajetória quanto a identificação de partículas simultaneamente sugere que esta abordagem pode substituir várias etapas separadas do fluxo de análise de dados.

A significância deste trabalho reside no seu potencial para mudar a forma como os experimentos de alta energia operam. Ao mover a tarefa complexa de triagem de dados da etapa offline, onde os cientistas analisam os resultados após o término do experimento, para a etapa online, onde as decisões são tomadas em tempo real, o experimento MUonE pode capturar uma amostra muito maior e mais limpa dos eventos raros de que necessita. Os pesquisadores enfatizam que, embora seus resultados sejam baseados em simulações, o método está pronto para ser testado com dados reais coletados durante as próximas rodadas de testes do experimento. Se o sistema desempenhar tão bem com dados do mundo real quanto fez na simulação, ele poderá fornecer a velocidade e a precisão necessárias para finalmente resolver o mistério da oscilação do múon, potencialmente abrindo uma janela para a nova física que reside além de nossa compreensão atual.