En el detector de un colisionador, cada colisión de protones deja un rastro de decenas de partículas, como las salpicaduras de una piedra lanzada al agua. Entender esas salpicaduras y descifrar qué ocurrió exactamente en el momento del impacto es una tarea que ya nadie puede afrontar solo. Las redes neuronales acuden al rescate, y EveNet es una de las más ambiciosas: se ha entrenado con 500 millones de colisiones simuladas.
EveNet trata cada evento como una nube de partículas: de cada una conoce su dirección, energía y tipo. Este enfoque permite al modelo captar patrones generales, en lugar de memorizar desintegraciones concretas. Como resultado, supera a los mejores algoritmos anteriores en la búsqueda de resonancias pesadas y desintegraciones raras del bosón de Higgs, y brilla especialmente cuando los datos son escasos.
Pero lo más importante es que el modelo transfiere conocimientos de las simulaciones a los datos reales. No solo encuentra partículas, sino que también mide las sutiles correlaciones cuánticas entre ellas, que son robustas frente a los errores sistemáticos. Esto significa que se puede confiar en EveNet para mediciones de precisión, donde cada centésima de porcentaje cuenta.
Una herramienta tan versátil ahorra tiempo y recursos computacionales. En lugar de entrenar un modelo nuevo para cada tarea, los físicos toman EveNet y la ajustan con un pequeño conjunto de datos. Para los futuros colisionadores, donde el flujo de datos se multiplicará, esto no es solo una comodidad: es una necesidad.
tal como lo escribieron los autores, en inglés arXiv:2601.17126
While deep learning is transforming data analysis in high-energy physics, computational challenges limit its potential. We address these challenges in the context of collider physics by introducing EveNet, an event-level foundation model pretrained on 500 million simulated collision events using a hybrid objective of self-supervised learning and physics-informed supervision. By leveraging a shared particle-cloud representation, EveNet outperforms state-of-the-art baselines across diverse tasks, including searches for heavy resonances and exotic Higgs decays, and demonstrates exceptional data efficiency in low-statistics regimes. Crucially, we validate the transferability of the model to experimental data by rediscovering the $$\Upsilon$$ meson in CMS Open Data and show its capacity for precision physics through the robust extraction of quantum correlation observables stable against systematic uncertainties. These results indicate that EveNet can successfully encode the fundamental physical structure of particle interactions, which offers a unified and resource-efficient framework to accelerate discovery at current and future colliders.
EveNet se entrenó con 500 millones de eventos simulados, aproximadamente lo que ocurriría en varios días de funcionamiento del Gran Colisionador de Hadrones a plena luminosidad.
La idea de un modelo universal que comprende la física de partículas resuena con la IA de 'El problema de los tres cuerpos' de Liu Cixin, que simula el comportamiento de protones para engañar a los detectores terrestres.