El laboratorio europeo y Mistral proyectan un modelo que aprenda de colisiones simuladas para reconstruir eventos, identificar partículas y señalar fenómenos que merezcan investigación.
En un colisionador de partículas, el choque es apenas el principio. Después viene el trabajo de interpretar sus huellas: señales registradas por instrumentos que los científicos deben relacionar para reconstruir qué ocurrió. El acontecimiento ya terminó; la investigación comienza con lo que dejó atrás.
El CERN quiere desarrollar una inteligencia artificial capaz de apoyar distintas partes de esa reconstrucción. El 15 de octubre, el laboratorio europeo y la empresa francesa Mistral anunciaron una declaración de intención para establecer una alianza de largo plazo centrada en modelos para el descubrimiento científico.
La ambición es construir un modelo para la física de colisionadores que pueda realizar varias tareas. Entre ellas están identificar partículas, reconstruir colisiones, señalar comportamientos inesperados y ayudar a evaluar futuros detectores.
Para entender el reto conviene detenerse en la palabra “reconstruir”. Los detectores no entregan una narración terminada del choque. Registran señales que deben procesarse y relacionarse para obtener información útil para el análisis físico. Es un trabajo de interpretación apoyado en instrumentos, algoritmos y conocimiento científico.
Actualmente, ese proceso utiliza una cadena de herramientas especializadas. El aprendizaje automático ya participa en distintas etapas, por lo que la IA tiene historia dentro del laboratorio. El proyecto con Mistral busca dar otro paso: desarrollar un modelo que aprenda relaciones a lo largo de esa cadena y pueda aprovecharlas en múltiples tareas.
Su entrenamiento utilizaría miles de millones de colisiones simuladas de protones. Las simulaciones ofrecen ejemplos donde se conoce el proceso generado y se puede estudiar cómo aparecería en los instrumentos. Esa relación entre un evento y sus huellas permite entrenar y evaluar métodos de reconstrucción.
Después llega la parte exigente: comprobar su desempeño frente a las condiciones de los experimentos. Reconocer patrones en los ejemplos de entrenamiento no basta para demostrar que una herramienta resulta confiable en investigación.
También requiere cuidado la promesa de encontrar “lo inesperado”. Una señal fuera de lo habitual puede justificar una revisión; establecer qué significa exige análisis y comprobaciones. La utilidad del modelo dependerá tanto de lo que consiga señalar como de la posibilidad de evaluar sus resultados con rigor.
La escala explica el interés. El CERN almacena aproximadamente un millón de terabytes de datos experimentales del Gran Colisionador de Hadrones. Con la actualización de alta luminosidad, prevista para comenzar a operar alrededor de 2030, espera multiplicar por diez el número de colisiones.
El anuncio abre un proyecto, no presenta un descubrimiento. Su apuesta consiste en preparar herramientas para una ciencia que producirá más registros y necesitará examinarlos con mayor precisión. Entre todas esas huellas, los investigadores seguirán buscando alguna que obligue a explicar algo nuevo.
