El detector de partículas del Gran Colisionador de Hadrones funciona durante años sin detenerse. Sus sensores generan montañas de datos cada segundo, y entre ellos hay que notar rápidamente una avería, como un sobrecalentamiento o un canal roto. Antes se usaban reglas simples para vigilarlo, pero a menudo fallaban. Ahora acude al rescate la red neuronal DepthViT, ligera y rápida como un técnico atento que sabe cómo se ve el funcionamiento normal.
El problema es que las condiciones dentro del detector cambian con el tiempo: las piezas se desgastan y el flujo de partículas varía. Una red neuronal entrenada con datos antiguos empieza a confundirse y a dar falsas alarmas. Los autores encontraron una solución: combinan varias redes entrenadas en distintos periodos. Como un técnico experimentado que recuerda tanto los hábitos viejos como los nuevos de la máquina, este sistema sigue siendo preciso. Con los datos del calorímetro CMS, la precisión para detectar anomalías se mantiene por encima del 98.8% incluso con cambios fuertes.
Este enfoque no solo sirve para la física. En una fábrica, las máquinas también trabajan en condiciones cambiantes: vibración, temperatura, desgaste. Una red neuronal que sepa adaptarse puede ayudar a predecir averías antes de que ocurran. Un detector que no se cansa es un paso hacia sistemas inteligentes capaces de trabajar durante años sin supervisión.
La red neuronal DepthViT procesa mapas de ocupación del calorímetro, que son como mapas de calor que muestran dónde dejaron energía las partículas. Una anomalía se ve como una mancha inesperada en ese mapa.