Física más allá de la imaginación | revista de simetria

Conceptual illustration of random objects with a gorilla in the center

Desde que tiene memoria, Abhijith Gandrakota ha sentido una atracción natural hacia la física. «Para mí es algo fundamental», afirma. «Es simple».

Cuando era estudiante se sintió atraído por la teoría, pero rápidamente se dedicó a experimentar.

«La teoría era buena, pero me atrajo la física de partículas experimental porque incluso si escribo una teoría, alguien tiene que probarla», dice Gandrakuta, ahora postdoctorado en el Laboratorio del Acelerador Nacional Fermi del Departamento de Energía de EE. UU. «Seré la persona que comprueba y descubre las cosas en lugar de la persona que predice».

Pero nunca perdió su debilidad por la física teórica. Hoy, Gandrakuta y sus colegas están aprovechando la experiencia de CMS para crear una herramienta de aprendizaje automático que permita a los teóricos aún más libertad y creatividad.

En lugar de buscar signos específicos de nueva física en los datos que el detector CMS recopila de las colisiones en el Gran Colisionador de Hadrones, el nuevo instrumento buscará anomalías raras. «Es un enfoque de abajo hacia arriba», afirma. «Mostramos a los teóricos todas estas cosas extrañas que están sucediendo y tratamos de comprender qué teorías pueden explicarlas».

Según Jennifer Ngadiuba, miembro del Fermilab, se trata de un cambio de paradigma. «Es el problema más interesante que podemos resolver», afirma. «Ahora es el momento de hacerlo».

En la Conferencia Internacional de Física de Altas Energías celebrada en julio, el equipo presentó el primer conjunto de datos recopilados utilizando su herramienta de detección de anomalías. «Ahora estamos tomando datos después de muchos años de desarrollo por parte de muchas personas diferentes», dijo Ngadiuba durante la presentación. «En realidad, está estimulando eventos únicos que de otro modo se perderían».

El siguiente paso es analizar los datos y ver si surge algún patrón inesperado. Ngadiuba, Gandrakota y sus colegas esperan que este nuevo mecanismo de procesamiento de datos amplíe el alcance de los experimentos CMS más allá de los límites de la imaginación humana y permita a los teóricos pensar sobre la física de nuevas maneras.

Animación de objetos aleatorios que pasan.

Obra de Sandbox Studio, Chicago con Ariel Davis

Identificación de anomalías

La gran mayoría de las colisiones en el LHC (más del 99,99%) producen partículas y fenómenos físicos que eran más interesantes hace 50 años pero que hoy se comprenden mejor. Lo que realmente interesa a los físicos es la rareza: ese evento entre mil millones que muestra algo nuevo o inesperado. Afortunadamente, el LHC tiene una incidencia regular de uno entre mil millones; El experimento CMS observa mil millones de colisiones protón-protón cada segundo.

Para detectar anomalías, los científicos instalan sistemas de activación en sus detectores. Los desencadenantes son una serie de filtros de datos que filtran gradualmente los eventos que parecen interesantes de los que parecen normales. Debido a que los recursos informáticos son limitados, los eventos que no pasan el corte se descartan inmediatamente.

«Es como una tubería; sólo una cierta cantidad de agua puede fluir a través de ella», dice Gunderkota. “Si hay demasiada agua, la tubería estalla.

Guardar sólo las mejores muestras mantiene el flujo de datos, pero también causa problemas físicos. «Si no lo grabamos, desaparecerá para siempre», afirma Javier Duarte, profesor de la Universidad de California en San Diego.

Actualmente, los físicos cuentan con una lista de unas 100 propiedades que son lo suficientemente interesantes como para preservar un evento. Por ejemplo, debido a que los tipos de física más interesantes a menudo involucran partículas con una gran masa, los activadores están programados para detectar sus productos de desintegración: una explosión de partículas grandes y de alta energía que provienen de un único origen. (Los eventos han sido verificados con solo unos pocos destellos en el Curiametro).

Sin embargo, los físicos saben que no todas las nuevas partículas serán necesariamente goliats como el bosón de Higgs y el quark top; Las nuevas partículas serían expulsadas de las grietas simplemente por su masa. «No podemos ver cosas que están por debajo de cierta energía porque no estamos entusiasmados con esos eventos», dice Ngadiuba. «Estamos empezando a pensar en nuevos modelos de física que tengan partículas con mucha menor energía».

Según Ngadiuba, el problema de desencadenar eventos de baja energía es que nadie sabe qué características definitorias pueden separar las señales potencialmente interesantes de los millones de fragmentos «poco interesantes» que también producen partículas de baja energía.

Esta es la razón por la que la detección de anomalías rompe el guión.

«Normalmente empezamos buscando una teoría: ver si existe un tipo de partícula», dice Gandrakuta. “Siempre buscábamos en silencio algo especial. Pero ¿qué pasa si hacemos lo contrario: qué pasa si buscamos en el fondo y nos topamos con algo que parece extraño?

esta en el aire

Ngadiuba comenzó su carrera en física construyendo y probando detectores de partículas para CMS, pero pasó al aprendizaje automático en 2017 durante un postdoctorado en el CERN. «Las cosas están cambiando en la sociedad», afirma Ngadiuba. “Reconocimiento facial, chatbots, coches autónomos; Está en el aire.

Al igual que un automóvil autónomo, un disparador de detección de anomalías debe activarse cuando todo se espera y luego reaccionar rápidamente cuando sucede algo extraño. Pero mientras un vehículo autónomo debe reaccionar en segundos, un camión de detección de anomalías debe reaccionar en segundos. nanoEn segundo lugar, «en muchos sentidos, es incluso más desafiante que un vehículo autónomo», dice Ngadiuba.

En el estudio de viabilidad original de Ngadiuba, los científicos de la CMS pudieron acercarse a la velocidad necesaria, pero no lo suficiente. Necesitaron la fuerza y ​​el apoyo de personas con experiencia para superar esta limitación.

Gandrakota llegó al Fermilab como postdoctorado en 2021. Ya había estado interesado en explorar la anomalía, pero sus esperanzas se vieron frustradas por su aparente falta de viabilidad. «Estaba en mi radar, pero era escéptico», dice. “La gente ha estado hablando de la detección de anomalías desde 2018, pero siempre es con datos que ya estaban registrados y nunca al nivel objetivo. No pensé que fuera posible implementar la detección de anomalías en el disparador antes del final de la ejecución 3 del LHC.

Luego vio un artículo presentado por Ngadiuba sobre el mismo tema. «No sólo fue posible», dice, «sino que demostraron que podíamos hacerlo durante el período actual de recopilación de datos en CMS.

“Fue impresionante; Podemos lograr un impacto ahora, en lugar de unos años después.

Gandrakuta contactó a Ngadeoba para ver cómo podía involucrarse.

formación de equipos

Ngadiuba y Gandrakota comenzaron presentando ideas durante las reuniones de la CMS. Atrajeron la atención de varios profesores, que se unieron al proyecto y ofrecieron ayuda a sus estudiantes de posdoctorado y posgrado.

«A medida que convencimos a más y más personas, se hizo más fácil», dice Gandrakuta. «Muchas personas participaron activamente en este proyecto».

Uno de esos nuevos miembros del equipo fue el estudiante graduado de la Universidad de Colorado, Noah Zapper. «Es raro que se nos ocurra una idea nueva», dice Zapper. «Aproveché la oportunidad de trabajar en ello».

Después de formar el equipo, el siguiente paso fue la investigación y el desarrollo. «Necesitamos explorar todas las posibilidades de lo que se puede hacer y cómo mejorar el algoritmo», dice Gandrakota.

Necesitaban enseñarle a su algoritmo de aprendizaje automático cómo distinguir «esto parece normal» de «esto parece extraño».

Para ello, los científicos alimentan el algoritmo con datos reales y buscan patrones. «Al igual que los humanos, si vemos un coche en la carretera, sabemos inmediatamente que es un coche». dice Gandrakuta. “Sabemos cómo es un coche cuando somos niños pequeños. No necesitamos saber la marca o modelo para etiquetarlo.

El algoritmo estuvo expuesto a 10 millones de fragmentos que CMS registró aleatoriamente. En lugar de decirle al algoritmo lo que parece extraño, los científicos dejan que el algoritmo lo adivine.

“Si hemos visto miles de automóviles en las carreteras, esperamos ver más automóviles. Pero si de repente vemos a alguien montando a caballo, nos parecerá extraño», afirma Gunderkota. «Nuestro camión hace lo mismo».

Para acelerar el algoritmo, jugaron con la compresión de datos. El LHC produce aproximadamente un petabyte de datos por segundo. A medida que los datos se procesan en la red neuronal, se vuelven complejos, lo que ralentiza todo. La cuestión era cómo reducir la complejidad sin perder precisión.

«Una red neuronal (un tipo de aprendizaje automático) es un grupo de multiplicaciones y sumas», dice Ngadiuba. «Si redondeamos de 3,001 a 3, no importa porque el resultado sigue siendo el mismo. Pero si redondeamos de 0,001 a 0, empiezas a perder precisión y se propaga por toda la red neuronal».

Para solucionar este problema, Ngadiuba y sus colegas se asociaron con Google en una nueva herramienta llamada QKeras, que les permitió aumentar su precisión y al mismo tiempo reducir su huella informática.

Luego vino la unión de algoritmos con hardware. La mayoría de las computadoras personales utilizan CPU, o unidades de procesamiento informático, que son muy potentes, pero no pueden funcionar en una escala de tiempo de nanosegundos. Dado que el disparador tiene menos de 50 nanosegundos para tomar una decisión, el equipo tuvo que programar el algoritmo de aprendizaje automático en matrices de puertas programables en campo, o FPGA.

«Los FPGA funcionan como una línea de montaje; en lugar de que una persona trabaje en todo el problema, hay muchas personas trabajando en paralelo en diferentes partes del problema», afirma Ngadiuba.

Pero los FPGA pueden resultar muy difíciles de programar. «Hace unos años, habríamos necesitado ingenieros eléctricos con mucha experiencia para hacer esto», afirma Zapper.

Afortunadamente, Ngadiuba, Duarte y sus colegas desarrollaron recientemente una herramienta que permite a los físicos programar FPGA directamente sin necesidad de experiencia externa. «Podemos utilizar código estándar de aprendizaje automático 101 y ponerlo en un chip que lee datos 40 millones de veces por segundo y toma decisiones en 50 nanosegundos», dice Zapper. «Es sorprendente que hayan desarrollado algo como esto».

Finalmente, llegó el momento de evaluar su desempeño. «Antes de usarlo para recopilar datos, debemos asegurarnos de que no interrumpa el flujo de datos», dice Gandrakota. «Tuvimos que probarlo para asegurarnos de que fuera sostenible».

El equipo instaló su herramienta en un servidor especial en la cueva CMS donde puede ver y evaluar los fragmentos del LHC sin registrar ningún dato. Este fue un importante paso de prueba de principio, ya que ningún experimentador había intentado nunca algo así.

«Si algo sale mal, es un gran problema», afirma Zapper. «La ventana para obtener datos es relativamente corta en comparación con la vida útil de estos experimentos, por lo que cuando ocurren colisiones, el sistema de activación tiene que actuar».

Después de una prueba de manejo exitosa, el equipo tuvo algunos meses para finalizarlo antes de instalarlo directamente en el sistema de activación CMS. En mayo estaban vivos.

Según Duarte, la detección de anomalías puede ser siete veces más potente que los métodos convencionales de detección y aislamiento de nuevas señales de partículas. «Esto demuestra lo poderoso que puede ser cuando no estás seguro de qué señal estás buscando», dijo Duarte en ICHEP.

De los millones de fragmentos producidos por el LHC esta primavera y verano, el instrumento ya ha recopilado casi 3 mil millones de eventos. «Cuando analizamos los datos que recopiló, no hubo ningún pico extraño ni tiempo muerto», dice Zapper. «Esto es lo que queremos».

Según Ngadiuba, el reconocimiento de la anomalía cambiará el diálogo con la comunidad teológica.

«Los teóricos suelen hacer modelos basados ​​en lo que el detector puede ver y en lo que ya podemos empezar, no necesariamente basados ​​en motivaciones físicas», dice Ngadiuba. «Ahora preguntamos a los teóricos qué modelos teóricos nuestro detector no puede detectar debido al disparador». Es una forma de pensar completamente nueva.

Deja una respuesta

Tu dirección de correo electrónico no será publicada. Los campos obligatorios están marcados con *