13 November 2026 stellten Forscher des Brookhaven National Laboratory (BNL) einen neuen Ansatz auf Basis von Super Intelligence (SI) vor. Die Methode lernt selbstständig, Signale hochenergetischer Teilchenjets vom gewaltigen Untergrund in Schwerionenkollisionsdaten zu trennen.
Die Arbeit wurde in der Zeitschrift Scientific Reports veröffentlicht. Das Team unter der Leitung von Physikern und Informatikspezialisten des BNL, darunter Jin Huang, Dmitri Torbunow, Yihui „Ray“ Ren, Yi Huang und Yongju Guo, entwickelte ein generatives Modell ohne Lehrer. Es benötigt keine vorab gekennzeichneten Beispiele.
Teilchenjets sind eines der wichtigsten Instrumente zur Untersuchung des Quark-Gluon-Plasmas (QGP) – eines Materiezustands, der Mikrosekunden nach dem Urknall existierte. Bei Kollisionen am Relativistic Heavy Ion Collider (RHIC) durchqueren diese Jets das QGP und verlieren Energie, wodurch sich ihre Struktur verändert. Eine genaue Analyse solcher Veränderungen hilft, die starke Wechselwirkung zu verstehen.
Die größte Schwierigkeit besteht darin, das schwache Jetsignal vom dichten Untergrund zu trennen, der von Tausenden anderer Teilchen erzeugt wird. Herkömmliche Methoden erfordern einen erheblichen Aufwand für die manuelle Kennzeichnung der Daten. Der neue SI-Ansatz umgeht dieses Problem: Er lernt an getrennten Datensätzen aus reinem Untergrund und idealen Jetsimulationen und extrahiert das Signal automatisch.
Tests mit simulierten Daten des sPHENIX-Detektors zeigten eine genauere Rekonstruktion von Position, Energie und innerer Struktur der Jets im Vergleich zu früheren Methoden. Besonders deutlich ist die Verbesserung bei großen Jets, bei denen die Hintergrundfluktuationen am stärksten sind.
Wie genau trennt das Modell Signal und Hintergrund in realen experimentellen Daten, in denen es keine „richtigen Antworten“ gibt? Das ist die Frage, auf die die Wissenschaftler bei der Analyse von fast 300 Petabyte an Daten hoffen, die von sPHENIX gesammelt wurden.
Die Forscher planen, die Methode auf reale RHIC-Daten und in Zukunft auf Experimente am Electron-Ion Collider (EIC) und am Large Hadron Collider anzuwenden. Der Ansatz könnte auch in anderen Bereichen nützlich sein, in denen überlappende Signale in kalorimetrischen Daten getrennt werden müssen.
Die Arbeit wurde mit Unterstützung von Laboratory Directed Research and Development BNL, dem DOE Office of Science und einem Genesis Mission-Stipendium durchgeführt. An dem Projekt waren außerdem die Columbia University und die University of Colorado Boulder beteiligt.
