El CERN opera algunas de las máquinas científicas más complejas jamás construidas, que dependen de intrincados sistemas de control y generan petabytes y petabytes de datos de investigación. Tanto el funcionamiento de estos equipos como el análisis de los datos recopilados son tareas intensivas. Por ello, el CERN recurre cada vez más a la investigación en el campo de la inteligencia artificial (IA) para hacer frente a algunos de los retos que plantean el manejo de datos, la manipulación de haces de partículas y el mantenimiento de sus instalaciones.

El concepto moderno de inteligencia artificial surgió más o menos al mismo tiempo que el CERN, a mediados de los años cincuenta. Tiene distintos significados según el contexto, y el CERN se interesa principalmente por la llamada IA restringida, orientada a tareas, más que por la IA general, que incluye aspectos como la resolución independiente de problemas o incluso la conciencia artificial. Los físicos de partículas fueron uno de los primeros grupos en utilizar técnicas de IA en su trabajo, adoptando el aprendizaje automático (Machine Learning, ML) ya en 1990. Más allá del ML, los físicos del CERN también están interesados en el uso del aprendizaje profundo para analizar la avalancha de datos del LHC.

Como ya hemos indicado, las partículas que colisionan en los aceleradores producen numerosas cascadas de partículas secundarias. La electrónica que procesa las señales que llegan en avalancha desde los detectores tiene entonces una fracción de segundo para evaluar si un evento es lo suficientemente interesante como para guardarlo para un análisis posterior. En el futuro próximo, esta exigente tarea podrá llevarse a cabo mediante algoritmos basados en IA.

Por ello, han recurrido a un subdominio de la IA, denominado aprendizaje automático (machine learning, ML), para mejorar la eficiencia y eficacia de estas tareas. De hecho, las cuatro principales colaboraciones del LHC, ALICE, ATLAS, CMS y LHCb, han formado el Grupo de Trabajo Interexperimental de Aprendizaje Automático (IML) para seguir las tendencias de desarrollo en ML. Los investigadores también están colaborando con la comunidad más amplia de la ciencia de datos para organizar talleres para formar a la próxima generación de científicos en el uso de estas herramientas, y para producir investigación original en Aprendizaje Profundo. ROOT, el programa de software desarrollado por el CERN y utilizado por físicos de todo el mundo para analizar sus datos, también incluye bibliotecas de aprendizaje automático.

Un ejemplo concreto de como puede ser usada la IA la encontramos en el detector CMS, en relación a la búsqueda de nueva física que vaya más allá del Modelo Estándar.

Aunque las técnicas de aprendizaje automático (ML) se utilizan en la física de partículas desde la década de 1980, y en el CMS desde su nacimiento, éstas se han basado tradicionalmente en las entradas altamente procesadas producidas por algoritmos de reconstrucción en lugar de en los datos "en bruto" más básicos proporcionados por los detectores de partículas. Este paradigma de análisis de datos fue decisivo en varios análisis de física del CMS, incluyendo algunos descubrimientos interesantes, pero no fue lo suficientemente bueno como para superar los retos planteados por muchas desintegraciones exóticas. De hecho, el factor limitante no era tanto el rendimiento de los algoritmos de ML en sí, sino el de los algoritmos utilizados para convertir los datos brutos de los detectores en observables de física básica.

Aquí entran en juego la inteligencia artificial (IA) moderna y el “deep learning”. Gracias a esta nueva generación de algoritmos de ML, ahora es posible evitar el paso de reconstrucción convencional y procesar directamente los datos del detector. La aplicación de la IA para extraer directamente información sobre partículas a partir de datos de detector de bajo nivel (un nuevo enfoque a menudo denominado reconstrucción de partículas de extremo a extremo) promete desvelar posibles vías de información que podrían resolver algunos de los mayores retos a los que nos enfrentamos en la búsqueda de desintegraciones exóticas.

Ver más…

Otro ejemplo es una investigación presentada en Computer Science por científicos del Instituto de Física Nuclear de la Academia Polaca de Ciencias (IFJ PAN) en Cracovia (Polonia), que sugiere que herramientas construidas mediante inteligencia artificial (IA) podrían ser una alternativa eficaz a los métodos actuales para la reconstrucción rápida de huellas de partículas. Su debut podría producirse muy pronto, probablemente en el experimento MUonE del CERN, que apoya la búsqueda de nueva física.

Ver más…