Incorporating deep neural networks into lepton-nucleus interaction modeling

Para entender como o universo funciona em seu nível mais fundamental, os cientistas frequentemente disparam feixes de partículas contra núcleos atômicos e observam o que acontece quando eles colidem. Uma das perguntas mais importantes neste campo envolve os neutrinos, partículas fantasmagóricas que raramente interagem com a matéria, mas carregam informações cruciais sobre a história do cosmos. Para aprender com essas partículas esquivas, os pesquisadores devem reconstruir a energia do feixe de neutrinos analisando os detritos deixados após uma colisão. No entanto, essa reconstrução é incrivelmente difícil porque os núcleos alvo são ambientes complexos e congestionados, onde as regras da física simples frequentemente falham. A incerteza na modelagem dessas interações nucleares é atualmente o maior obstáculo que impede os cientistas de fazerem medições precisas das propriedades fundamentais do universo.

Para resolver isso, os físicos frequentemente recorrem aos elétrons. Os elétrons comportam-se de forma muito semelhante aos neutrinos quando atingem um núcleo, mas, ao contrário dos neutrinos, sua energia é conhecida exatamente antes da colisão. Isso torna o espalhamento de elétrons um laboratório ideal para testar quão bem nossas teorias descrevem o comportamento nuclear. Por décadas, os cientistas coletaram vastas quantidades de dados sobre como os elétrons ricocheteiam em átomos de carbono, criando um mapa detalhado do que acontece durante essas colisões. O desafio tem sido que, embora tenhamos um mapa perfeito do resultado total, carecemos de um guia claro sobre como esse resultado total é construído a partir das peças específicas e individuais do quebra-cabeça. Essa lacuna deixou um ponto cego significativo em nossa capacidade de simular esses eventos com precisão para a próxima geração de experimentos.

Uma equipe de pesquisadores da Universidade de Wrocław desenvolveu um novo método para preencher essa lacuna, combinando efetivamente a precisão dos dados experimentais com a narrativa detalhada das simulações computacionais. Eles criaram um sistema que recebe uma previsão altamente precisa do resultado total da colisão, derivada de uma rede neural profunda treinada em décadas de dados de elétron-carbono, e a decompõe nos tipos específicos de interações que ocorrem. Isso permite que gerem simulações completas e realistas de cada partícula saindo da colisão, garantindo que o quadro total corresponda ao mundo real, enquanto os detalhes individuais permanecem fisicamente consistentes.

O cerne deste trabalho envolve um processo inteligente de duas etapas. Primeiro, os pesquisadores usaram um programa de computador sofisticado para simular milhões de colisões de elétrons com átomos de carbono. Este programa baseia-se em teorias estabelecidas para prever os detalhes específicos de cada evento, como se o elétron expulsou um único próton, criou um píon ou desencadeou uma reação mais complexa envolvendo múltiplas partículas. Essas simulações fornecem a "história" do evento, descrevendo exatamente como as partículas finais se parecem e como se movem. No entanto, o número total de eventos previsto por essas teorias muitas que não coincide perfeitamente com os dados experimentais reais em todas as faixas de energia.

Para corrigir esse descompasso, a equipe introduziu uma segunda camada: uma rede neural profunda. Este é um tipo de inteligência artificial treinada especificamente no vasto arquivo de medições reais de espalhamento elétron-carbono. A rede aprendeu a prever o número total de colisões que deveriam ocorrer em qualquer determinada energia com extrema precisção, atuando efetivamente como uma referência perfeita para o resultado total. No entanto, esta rede neural só é válida dentro de uma faixa estrita de transferências de energia: ela não pode descrever colisões onde a transferência de energia é muito baixa (onde o núcleo recua como um todo) ou muito alta (onde a interação se torna demasiado complexa). Os pesquisadores então pegaram os eventos gerados pelo computador e ajustaram sua importância, ou "peso", para que o número total de eventos correspondesse à previsão perfeita da rede neural dentro desta faixa válida. Este processo garante que a simulação esteja ancorada na realidade.

Crucialmente, a equipe não apenas ajustou a contagem total; eles também descobriram como distribuir essa contagem total entre os diferentes tipos de interações. Eles calcularam a fração de eventos que deve ser espalhamento quase elástico, onde uma única partícula é expelida, versus correntes de troca de mésons, onde a interação envolve uma troca mais complexa de forças entre partículas, e produção de píon único. Ao aplicar essas frações à previsão total da rede neural, eles criaram um novo framework híbrido que chamam de eWroNet. Este sistema produz um conjunto completo de eventos simulados onde o comportamento total é ditado pelos dados reais, mas os detalhes específicos de cada evento ainda são gerados pelos modelos físicos. É importante notar que os modelos físicos subjacentes usados para gerar esses detalhes são atualmente limitados: eles descrevem com precisão a ressonância "Delta(1232)" (um estado excitado específico do núcleo), mas ainda não incluem ressonâncias de maior energia ou espalhamento inelástico profundo, que são necessários para descrever as colisões mais energéticas.

Quando os pesquisadores testaram este novo sistema contra medições independentes das colaborações CLAS e e4$\nu$ no Centro de Aceleradores Thomas Jefferson, os resultados foram reveladores. O sistema reproduziu o número total de colisões na faixa de energia onde a rede neural foi treinada, confirmando que o método funciona conforme pretendido, embora ainda tenha ficado abaixo dos dados experimentais em cerca de 15% no pico quase elástico e 30% no pico Delta. No entanto, quando olharam para os detalhes específicos dos detritos, particularmente na região onde aparecem ressonâncias mais pesadas, a simulação começou a ficar aquém dos dados experimentais. O sistema subestimou o número de eventos nessas regiões de maior energia, uma limitação que decorre do fato de que os modelos de simulação subjacentes ainda não contabilizam totalmente as interações mais complexas e de alta energia.

O estudo também destacou uma tensão específica entre diferentes conjuntos de dados experimentais. As novas simulações combinaram quase perfeitamente com um conjunto de medições do Stanford Linear Accelerator Center, mas ficaram significativamente abaixo dos resultados dos experimentos do Jefferson Lab em energias semelhantes. Esta discrepância sugere que pode haver inconsistências nos próprios dados experimentais ou que nossa compreensão do alvo nuclear precisa de mais refinamento. Os pesquisadores descobriram que, embora seu método pudesse prever com precisão o número total de colisões, ele teve dificuldade em explicar a complexidade total dos detritos de partículas nas medições semi-exclusivas, onde apenas certas partículas são detectadas.

Em última análise, este trabalho fornece uma nova ferramenta poderosa para a área. Ele demonstra que é possível pegar uma previsão de um resultado total baseada em dados e aprendizado de máquina e decompô-la nos canais físicos específicos que a geram. Isso permite que os cientistas usem os dados mais precisos disponíveis para guiar suas simulações, mantendo ainda a informação detalhada sobre a cinemática das partículas necessária para experimentos complexos. Embora o modelo atual tenha limitações, particularmente no tratamento das colisões mais energéticas e na intrincada interferência entre diferentes processos da mecânica quântica, ele oferece um caminho claro a seguir. Ao refinar os modelos subjacentes e estender o método para outros alvos atômicos, como o argônio, esta abordagem pode reduzir significativamente as incertezas que atualmente impedem nossa capacidade de medir as propriedades fundamentais do universo.