Imagina una cinta transportadora por la que cada segundo pasan 30 millones de paquetes, y un controlador debe decidir al instante qué hay dentro: ¿carga valiosa o basura? En el Gran Colisionador de Hadrones, esa cinta es el disparador del experimento LHCb, que selecciona desintegraciones raras de partículas entre miles de millones de colisiones. Antes, el controlador era un conjunto de reglas simples: si la señal superaba un umbral, la partícula parecía un muón o un electrón. Pero las reglas dejaban pasar mucha basura y, a veces, se perdían señales valiosas.

Ahora, las reglas han sido reemplazadas por redes neuronales, controladores entrenables que no ven una sola característica, sino un panorama completo. Para que la red no se distraiga con el ruido ni confunda fluctuaciones aleatorias con señales, se le ha limitado la sensibilidad: incluso si los datos de entrada cambian ligeramente, la salida no se altera. Es como un controlador con pulso firme que no se sobresalta ante cualquier susurro. La restricción se aplica mediante la normalización de los pesos: cada peso en la primera capa se limita individualmente, y en las capas siguientes se limita la suma de los pesos que entran en una neurona. Las activaciones GroupSort no aumentan la sensibilidad, por lo que el comportamiento de la red sigue siendo predecible.

El entrenamiento se realizó con eventos simulados: las señales eran desintegraciones de J/ψ y Υ(1S) en pares de leptones, y el fondo consistía en protones para muones y piones con kaones para electrones. Las características de entrada se escalaron al rango de 0 a 1. Para muones, la red recibía cinco variables: el chi-cuadrado del ajuste de la traza con los hits de las estaciones de muones, la suma de los cuadrados de los residuos y tres diferencias de pendiente de la traza entre subdetectores. Para electrones, seis variables: dos estimaciones de la relación energía-impulso, el cuadrado de la distancia entre la traza extrapolada y el centro del cúmulo, y tres momentos de la forma de la cascada en el calorímetro. Las redes resultaron diminutas: alrededor de 500 parámetros, es decir, aproximadamente 2 kilobytes en precisión simple. Por cada traza añaden solo 24–28 bytes de datos.

El resultado superó las expectativas. Con la misma eficiencia de señal, las redes neuronales suprimen el fondo mejor que los algoritmos de umbral anteriores en todas las regiones cinemáticas estudiadas. Para muones, la ganancia es máxima a impulsos moderados y altos, donde pasa la mayoría de las trazas tras la selección; a impulsos bajos, la diferencia es pequeña. Para electrones, la mejora es más notable a impulsos bajos, donde la resolución energética del calorímetro es peor y la característica individual E/p es débil. La red casi no depende de la pseudo-rapidez ni del impulso transverso. El perfilado de una secuencia típica de HLT1 muestra que los núcleos de identificación de muones y electrones consumen cada uno el 0,5–0,9% del tiempo total de GPU, menos que los operadores de umbral que reemplazan.

Antes de este trabajo, no estaba claro si se podía encajar la identificación de leptones basada en redes neuronales en el estricto presupuesto de GPU del disparador sin perder velocidad ni fiabilidad. Ahora se ha demostrado que es posible. Al limitar la sensibilidad de la red mediante la normalización de pesos y activaciones GroupSort, y luego entrenarla con señales y fondos simulados, se logró mejorar la supresión de fondo en todas las regiones cinemáticas, ocupando menos del 1% del tiempo de GPU. Este enfoque puede aplicarse a cualquier sistema de selección de eventos en flujo que requiera clasificación rápida y robusta, desde otros detectores en colisionadores hasta sensores industriales. El controlador en la línea de montaje se ha vuelto más inteligente, pero no ha perdido la firmeza de su pulso.