Infrared Subtraction with Artificial Intelligence

No coração da física moderna, pesquisadores estudam os blocos fundamentais de construção do universo esmagando partículas umas contra as outras a velocidades incríveis. Quando essas colisões ocorrem, elas não produzem apenas alguns fragmentos simples; elas frequentemente geram uma chuva de novas partículas que voam em todas as direções. Para compreender as leis que regem esses eventos, os cientistas devem calcular a probabilidade de cada resultado possível com extrema precisão. No entanto, existe um grande obstáculo nestes cálculos: quando uma partícula emite um surto de energia que é demasiado ténue para ser visto ou quando duas partículas se movem quase exatamente na mesma direção, as fórmulas matemáticas usadas para descrever o evento falham e produzem números infinitos e sem sentido. Estes são conhecidos como singularidades de infravermelho. Embora as leis da física garantam que estes infinitos se cancelem mutuamente no resultado final, separar estes valores dos dados significativos para obter um número preciso para um experimento específico tem sido uma luta de décadas para os físicos teóricos.

Uma equipa de investigadores da Universidade Normal de Pequim e da Academia Chinesa de Ciências abordou agora este problema utilizando uma nova abordagem que combina a intuição física humana com a capacidade de resolução criativa de problemas da inteligência artificial. Eles desenvolveram um método para isolar e remover estes infinitos problemáticos sem depender dos tradicionais e rígidos atalhos matemáticos que têm sido usados durante anos. Em vez de forçar o cálculo a encaixar-se num molde pré-existente, utilizaram um modelo de linguagem de grande escala — um tipo de inteligência artificial treinada em vastas quantidades de texto e código — para desenhar novas formas de mapear a dispersão caótica de partículas de volta ao seu ponto de partida mais simples. Os investigadores descobriram que, ao permitir que a IA concebesse estes mapas e, em seguida, verificasse-os face às teorias estabelecidas do comportamento das partículas, poderiam reconstruir dados complexos de colisão de partículas com alta precisão. Este trabalho demonstra que a inteligência artificial pode não só acelerar os cálculos, como também ajudar a construir as próprias ferramentas matemáticas necessárias para resolver alguns dos problemas mais difíceis da física de altas energias.

O desafio central que a equipa abordou é como lidar com o "ruído" das colisões de partículas. Quando as partículas colidem, elas emitem radiação, tal como um motor de um carro emite escape. No mundo quântico, este escape pode ser tão ténue que é impossível distingui-lo do fundo, ou tão alinhado com outras partículas que parecem um único fluxo. Os cálculos padrão têm dificuldade com estas fronteiras nebulosas. Durante anos, os físicos utilizaram uma técnica chamada "fatiamento" (slicing), que envolve o desenho de uma linha arbitrária nos dados para separar os eventos claros e mensuráveis dos eventos nebulosos e problemáticos. Embora isto funcione, introduz os seus próprios erros e requer uma capacidade de computação massiva para tornar a linha suficientemente fina para ser precisa. Os investigadores queriam uma forma melhor: um método que pudesse lidar com todo o intervalo de emissões de partículas de uma só vez, sem desenhar uma linha arbitrária, mantendo simultaneamente o cancelamento dos infinitos matemáticos.

Para alcançar isto, a equipa construiu um framework que separa o cálculo em duas partes. A primeira parte lida com a radiação que é realmente emitida, e a segunda parte lida com o termo de "contacto", que representa a contribuição finita e limpa da colisão no seu nível mais simples. A inovação principal foi utilizar um agente de inteligência artificial para desenhar as regras de como projetar o estado final complexo de múltiplas partículas de volta para o estado inicial simples de duas partículas. Numa versão do seu experimento, a IA utilizou uma rede neuronal — um tipo de programa de computador modelado após o cérebro humano — para aprender como mapear a dispersão caótica de partículas para um ponto de partida limpo. Noutra versão, a IA gerou uma receita matemática rigorosa e passo a passo para fazer o mesmo. Em ambos os casos, os investigadores humanos forneceram as leis físicas e as restrições, dizendo à IA o que era possível e o que era proibido, enquanto a IA descobria os passos específicos para lá chegar.

A equipa testou o seu novo método simulando colisões eletrão-positrão, um processo padrão na física de partículas onde um eletrão e o seu correspondente de antimatéria se aniquilam para produzir jatos de partículas. Eles focaram-se em cenários onde três ou quatro jatos de partículas eram produzidos, que são significativamente mais complexos do que os casos mais simples de dois jatos. Os resultados foram impressionantes. Os métodos desenhados pela IA reconstruíram com sucesso as previsões teóricas completas para estas colisões, coincidindo com os resultados das ferramentas de simulação existentes mais sofisticadas com alta precisão. Os investigadores descobriram que a IA podia determinar os termos de "contacto" necessários — as correções matemáticas necessárias para cancelar os infinitos — seja ajustando os dados a padrões teóricos conhecidos ou calculando-os diretamente usando uma nova fórmula local que não exigia a linha de fatiamento arbitrária. Este cálculo direto permitiu-lhes reutilizar cálculos de ordem inferior existentes e combiná-los com previsões teóricas avançadas para obter a resposta final.

Talvez o mais surpreendente seja que a equipa alcançou estes resultados utilizando recursos computacionais muito modestos. Todo o cálculo numérico e o treino da rede neuronal foram realizados na unidade central de processamento de um Apple MacBook de 2020, um portátil comum, sem qualquer placa gráfica especializada ou supercomputadores. Isto sugere que o novo método não é apenas preciso, mas também eficiente o suficiente para ser executado em máquinas locais, potencialmente democratizando o acesso a cálculos de alta precisão na física. Os investigadores também estenderam o seu trabalho a cenários ainda mais complexos, incluindo uma colisão de dois jatos num nível de precisão superior, onde utilizaram aprendizagem automática para reduzir o ruído estatístico nos resultados. Ao treinar a IA para reconhecer padrões nos dados e subtraí-los, eles estabilizaram o cálculo, tornando os números finais mais fiáveis.

As implicações deste trabalho vão além de apenas obter um número melhor para um experimento específico. Representam uma mudança na forma como a física teórica é feita. Durante décadas, a construção das ferramentas matemáticas necessárias para cancelar os infinitos exigiu um esforço humano imenso e uma profunda visão analítica, levando muitas vezes anos a desenvolver para um novo tipo de colisão. Este estudo mostra que a inteligência artificial pode auxiliar no processo criativo de construção destas ferramentas. A IA não se limitou a processar números; ela concebeu a própria estrutura do método de subtração, propondo novas formas de mapear partículas e calcular correções que os investigadores humanos poderiam não ter considerado. Os investigadores verificaram que os mapas gerados pela IA respeitavam todas as leis físicas necessárias, como a conservação de energia e momento, e que lidavam corretamente com os limites complicados onde as partículas se tornam indistinguíveis.

Embora o estudo seja uma prova de conceito, ele abre um caminho claro à frente. Os investigadores demonstraram que a sua abordagem funciona para três e quatro jatos num nível de precisão padrão e para dois jatos num nível ainda superior. Eles também delinearam como o método poderia ser estendido para colisões ainda mais complexas envolvendo três jatos nesse nível de precisão superior, fornecendo os mapas matemáticos e as fórmulas necessárias para trabalhos futuros. O sucesso do método baseia-se numa parceria entre a intuição humana e a aprendizagem automática. Os humanos definem os limites físicos e os objetivos, garantindo que a IA permanece dentro das leis da natureza, enquanto a IA explora o vasto espaço de possíveis soluções matemáticas para encontrar o caminho mais eficiente. Esta colaboração permite a reutilização de cálculos existentes e a integração de previsões teóricas avançadas, criando um framework mais robusto e flexível para futuras descobertas.

As conclusões sugerem que o futuro da física de precisão poderá envolver um novo tipo de fluxo de trabalho onde a inteligência artificial atua como um copiloto na construção de ferramentas teóricas. Ao automatizar o design de fórmulas de subtração e melhorar a integração numérica de dados complexos, a IA pode ajudar os físicos a expandir as fronteiras do que pode ser calculado. A capacidade de executar estes cálculos sofisticados num portátil indica que a barreira de entrada para o trabalho de alta precisão poderá ser baixada, permitindo que mais investigadores abordem problemas difíceis. À medida que o campo avança para níveis ainda mais elevados de precisão, onde os cálculos se tornam exponencialmente mais difíceis, a capacidade de construir estes métodos de subtração automaticamente poderá tornar-se essencial. Os investigadores demonstraram que, com a orientação certa, a inteligência artificial não só pode resolver equações, como também pode ajudar a inventar os métodos necessários para as resolver, transformando um gargalo de décadas num passo gerível na jornada da descoberta.