Un equipo de la Universidad de Oviedo aplica la inteligencia artificial en la búsqueda de materia oscura
Un trabajo del Grupo de Física de Altas Energías del ICTEA de la institución académica, publicado en la revista 'CERN Courier', aborda por primera vez la localización de partículas supersimétricas con aprendizaje profundo. La sensibilidad a la presencia de dichas superpartículas se incrementa entre un 30 % y un 100 %
Personal investigador ha aplicado por primera vez la inteligencia artificial en la búsqueda de materia oscura. Un trabajo en el que ha participado el Grupo de Física de Altas Energías del ICTEA de la Universidad de Oviedo, publicado en portada de la revista "CERN Courier" -editada por el CERN y que cada mes hace una selección de las noticias más relevantes relacionadas por la Física de Partículas en el mundo- aborda la localización de partículas supersimétricas o nuevas superpartículas con inteligencia artificial o aprendizaje profundo. Actualmente se desconoce de qué está hecha la materia oscura, pero su naturaleza podría explicarse por las partículas supersimétricas, o al menos este es uno de los modelos más prometedores para dar respuesta a esta importante interrogante de la física de nuestro tiempo. De hecho, la materia oscura supone una cuarta parte de la que conforma el universo y es cinco veces más abundante que la materia ordinaria.
El trabajo ha sido liderado por los investigadores Carlos Erice Cid, Enrique Palencia Cortezón y Santiago Folgueras Gómez. Este novedoso resultado, que utiliza técnicas de aprendizaje profundo (Deep Learning) sobre los datos recogidos por el experimento CMS del LHC para mejorar enormemente los resultados previos, está en estos momentos en la última fase de edición antes de su publicación en "Journal of High Energy Physics". Carlos Erice Cid, cuya tesis doctoral incluirá este resultado, ha sido invitado a presentar este resultado en la conferencia internacional Rencontres de Moriond 2021, una de las más importantes en Física de Partículas, que tendrá lugar a finales de marzo.
En Física, la explicación del comportamiento de los constituyentes más pequeños que conocemos se realiza a través una teoría denominada el modelo estándar. A pesar de proporcionar las predicciones más precisas de las interacciones fundamentales, hay algunas características de nuestro universo que no es capaz de explicar. Una de las más importantes es la mencionada composición de lo que conocemos como materia oscura.
Los modelos supersimétricos son un tipo de teorías que pueden proporcionar, entre otras cosas, los ingredientes para explicar la naturaleza de la materia oscura. En estos modelos aparecen de manera natural una plétora de nuevas partículas muy pesadas con interacciones extremadamente débiles con la materia ordinaria: las superpartículas. Los experimentos del LHC, y en particular el CMS, llevan más de una década buscando estas posibles superpartículas. La dificultad estriba en que hay una bajísima probabilidad de que se produzcan en las colisiones entre protones del LHC, así como en que, una vez producidas, se escapan sin ser vistas por el detector debido a su escasa capacidad de interacción. Hay que inferir su presencia estudiando el resto de las partículas producidas en la colisión, entre los miles de millones de colisiones que se han producido en el LHC.
Para encontrar colisiones en las que se hayan producido estas partículas tan especiales se busca su "firma" (signature). Se mira el tipo de partículas que se produce (con especial interés en los electrones y los muones, sus "primos" más pesados), se miden sus cargas, sabores, energía... así como el balance energético cuyo déficit indicaría la posible existencia de las superpartículas (o de neutrinos). Y esto se compara con simulaciones de colisiones en las que se incluye o se excluyen los modelos supersimétricos. El problema es que la masa de las superpartículas no está definida en estos modelos, y esta masa modifica significativamente la "firma" de las colisiones con superpartículas.
Carlos Erice Cid, Enrique Palencia Cortezón y Santiago Folgueras (Universidad de Oviedo) junto con Willem Verbeke (Universidad de Gante) han ideado un novedoso método que utiliza técnicas de inteligencia artificial de tipo aprendizaje profundo (Deep Learning). En particular, han diseñado una estrategia que usa redes neuronales paramétricas entrenadas para identificar la presencia de dos tipos de partículas supersimétricas muy relevantes ("charginos" y "neutralinos"). En el entrenamiento han usado un amplio rango de valores para las masas desconocidas de las superpartículas. Con este método se consigue el resultado más potente de CMS en la búsqueda de charginos y neutralinos. La sensibilidad a la presencia de nuevas partículas supersimétricas se incrementa entre un 30 % y un 100 %. Aún más en algunas regiones de masas especialmente complicadas para los análisis de datos tradicionales.
El Grupo de Física Experimental de Altas Energías, dirigido por Javier Cuevas Maestro, forma parte también del Instituto Universitario de Ciencias y Tecnologías Espaciales de Asturias (ICTEA) y del Departamento de Física de la Universidad de Oviedo. El Grupo cuenta con una experiencia de más de 25 años en Física de Partículas, en particular en experimentos del Laboratorio Europeo de Física de Partículas del CERN.
Images gallery
Links