En el Gran Colisionador de Hadrones, los protones chocan entre sí como dos camiones cargados de confeti. Los fragmentos —decenas de nuevas partículas— salen despedidos en todas direcciones. El detector registra sus huellas, y entonces comienza el trabajo principal: reconstruir a partir de esas huellas la imagen completa de la colisión.
Antes, esta tarea recaía en un conjunto de reglas ideadas por los físicos. Cada tipo de partícula se procesaba por separado, según sus propias leyes. Funcionaba, pero era lento y no siempre preciso. Ahora, en lugar de un conjunto de reglas, hay una única red neuronal. Se ha entrenado con millones de colisiones simuladas y ha aprendido por sí misma a reconstruir la imagen completa.
La red neuronal trabaja en la tarjeta gráfica —la misma que dibuja los gráficos en los videojuegos—. Para una colisión, tarda 20 milisegundos. El método antiguo necesitaba 110 milisegundos. Y para los chorros —flujos de partículas que vuelan en una misma dirección—, la precisión en la medición de la energía ha mejorado entre un 10 y un 20 por ciento.
Este enfoque recuerda a un traductor que antes traducía palabra por palabra con un diccionario y ahora entiende la frase completa. Y gracias a ello, la imagen de la colisión se vuelve más nítida, como una fotografía tomada en un día despejado.
tal como lo escribieron los autores, en inglés arXiv:2601.17554
The particle-flow (PF) algorithm constructs a global description of each particle collision by producing a comprehensive list of final-state particles, and is central to event reconstruction in the CMS experiment at the CERN LHC. The existing PF implementation relies on physics-motivated heuristics and assumptions that can be replaced by machine-learning (ML) models trained directly on simulated data and naturally suited to modern graphics processing units (GPUs). A state-of-the-art ML-based PF (MLPF) reconstruction algorithm, implemented within the CMS software framework, is presented. The MLPF algorithm performs a learnable full-event reconstruction on GPUs, generalizes across detector conditions and collision energies, and replaces multiple modular reconstruction steps with a single unified model. Physics performance comparable to standard PF reconstruction is achieved in both simulation and data, with improved jet energy resolution and inference time. In simulated top quark-antiquark events under LHC Run-3 (2023$$-$$2024) conditions, the jet energy resolution improves by 10$$-$$20% for jets with transverse momentum between 30$$-$$100 GeV. Inference time is evaluated using simulated multijet events, with a median of 20 ms per event on an Nvidia L4 GPU, compared to approximately 110 ms for the standard CMS PF reconstruction.
La red neuronal procesa una colisión en 20 milisegundos: más rápido de lo que tarda un ser humano en parpadear.