13 de noviembre de 2026, investigadores del Laboratorio Nacional de Brookhaven (BNL) presentaron un nuevo enfoque basado en la superinteligencia (Super Intelligence, SI). El método aprende por sí solo a separar las señales de chorros de partículas de alta energía del enorme fondo presente en los datos de colisiones de iones pesados.
El trabajo se publicó en la revista Scientific Reports. El equipo, dirigido por físicos y especialistas en informática del BNL, entre ellos Jin Huang, Dmitri Torbunov, Yihui «Ray» Ren, Yi Huang y Yongju Guo, desarrolló un modelo generativo no supervisado. Este no requiere ejemplos previamente etiquetados.
Los chorros de partículas constituyen una de las herramientas clave para estudiar el plasma de quarks y gluones (QGP), un estado de la materia que existió durante microsegundos tras el Big Bang. En las colisiones del Colisionador de Iones Pesados Relativista (RHIC), estos chorros atraviesan el QGP y pierden energía, alterando su estructura. El análisis preciso de tales cambios ayuda a comprender la interacción fuerte.
La principal dificultad es separar la débil señal del chorro del denso fondo generado por miles de otras partículas. Los métodos tradicionales exigen un gran esfuerzo de etiquetado manual de los datos. El nuevo enfoque de SI sortea este problema: se entrena con conjuntos separados de fondo puro y de simulaciones ideales de chorros, extrayendo la señal de forma automática.
Las pruebas con datos simulados del detector sPHENIX mostraron una reconstrucción más precisa de la posición, la energía y la estructura interna de los chorros en comparación con los métodos anteriores. La mejora es especialmente notable en los chorros grandes, donde las fluctuaciones del fondo son más intensas.
¿Cómo separa exactamente el modelo la señal y el fondo en datos experimentales reales, donde no hay «respuestas correctas»? Esta es la pregunta que los científicos esperan responder al analizar casi 300 petabytes de datos recopilados por sPHENIX.
Los investigadores planean aplicar el método a los datos reales del RHIC y, en el futuro, a los experimentos del Colisionador de Electrones e Iones (EIC) y del Gran Colisionador de Hadrones. El enfoque también podría ser útil en otros campos donde hay que separar señales superpuestas en datos calorimétricos.
El trabajo se realizó con el apoyo de Laboratory Directed Research and Development del BNL, la DOE Office of Science y una subvención de Genesis Mission. En el proyecto participaron también la Universidad de Columbia y la Universidad de Colorado en Boulder.
