A colaboração CMS utilizou técnicas avançadas de aprendizado de máquina para procurar novas partículas em jatos produzidos por colisões próton-próton no LHC
O Modelo Padrão da física de partículas é uma teoria muito bem testada que descreve as partículas fundamentais e suas interações. No entanto, ele tem várias limitações importantes. Por exemplo, não leva em conta a matéria escura ou por que os neutrinos têm massa.
Um dos principais objetivos da física experimental de partículas no momento é, portanto, procurar sinais de novos fenômenos físicos além do Modelo Padrão.
Encontrar algo novo como isto nos apontaria para um modelo teórico melhor da física de partículas: um que pudesse explicar coisas que o Modelo Padrão não é capaz.
Estas pesquisas envolvem frequentemente a procura de sinais raros ou inesperados em colisões de partículas de alta energia, como as do Giant Hadron Collider (LHC) do CERN.
Num novo artigo publicado pela colaboração CMS, um novo método de análise foi utilizado para procurar novas partículas produzidas por colisões próton-próton no LHC.
Essas partículas decairiam em dois jatos, mas com uma estrutura interna incomum, não típica de partículas conhecidas como quarks ou glúons.
Os pesquisadores usaram técnicas avançadas de aprendizado de máquina para identificar jatos com diferentes subestruturas, aplicando vários métodos de detecção de anomalias para maximizar a sensibilidade a sinais desconhecidos.
Ao contrário das estratégias tradicionais, os métodos de detecção de anomalias permitem que os modelos de IA identifiquem padrões anómalos nos dados sem serem fornecidos exemplos simulados específicos, dando-lhes maior sensibilidade a uma gama mais ampla de potenciais novas partículas.
Desta vez, eles não encontraram nenhum desvio significativo dos valores de fundo esperados. Embora nenhuma nova partícula tenha sido encontrada, os resultados permitiram à equipe testar vários novos modelos teóricos pela primeira vez. Eles também foram capazes de estabelecer limites superiores para as taxas de produção de várias partículas hipotéticas.
Mais importante ainda, o estudo demonstra que a aprendizagem automática pode aumentar significativamente a sensibilidade das pesquisas por nova física, oferecendo uma ferramenta poderosa para futuras descobertas no LHC.