13 November 2026, para peneliti dari Laboratorium Nasional Brookhaven (BNL) mempresentasikan pendekatan baru berbasis superintelijen (Super Intelligence, SI). Metode ini belajar sendiri untuk memisahkan sinyal jet partikel berenergi tinggi dari latar belakang yang sangat besar dalam data tumbukan ion berat.
Karya ini diterbitkan dalam jurnal Scientific Reports. Tim yang dipimpin oleh para fisikawan dan ahli ilmu komputer dari BNL, termasuk Jin Huang, Dmitry Torbunov, Yihui «Ray» Ren, Yi Huang, dan Yongju Guo, mengembangkan model generatif tanpa pengawasan. Model ini tidak memerlukan contoh yang telah dilabeli sebelumnya.
Jet partikel merupakan salah satu instrumen kunci untuk mempelajari plasma quark-gluon (QGP) — keadaan materi yang pernah ada selama mikrodetik setelah Big Bang. Dalam tumbukan di Relativistic Heavy Ion Collider (RHIC), jet-jet ini melewati QGP dan kehilangan energi, sehingga strukturnya berubah. Analisis yang tepat terhadap perubahan tersebut membantu memahami interaksi kuat.
Kesulitan utamanya adalah memisahkan sinyal jet yang lemah dari latar belakang padat yang dihasilkan oleh ribuan partikel lain. Metode tradisional memerlukan upaya besar untuk melabeli data secara manual. Pendekatan SI yang baru menghindari masalah ini: model ini dilatih pada kumpulan latar belakang murni dan simulasi jet ideal yang terpisah, lalu secara otomatis mengekstraksi sinyal.
Pengujian pada data simulasi detektor sPHENIX menunjukkan rekonstruksi posisi, energi, dan struktur internal jet yang lebih akurat dibandingkan dengan metode sebelumnya. Peningkatan ini terutama terlihat pada jet berukuran besar, tempat fluktuasi latar belakang paling kuat.
Bagaimana tepatnya model memisahkan sinyal dan latar belakang pada data eksperimen nyata yang tidak memiliki «jawaban benar»? Ini adalah pertanyaan yang diharapkan dapat dijawab para ilmuwan saat menganalisis hampir 300 petabyte data yang dikumpulkan sPHENIX.
Para peneliti berencana menerapkan metode ini pada data nyata RHIC dan di masa depan — pada eksperimen di Electron-Ion Collider (EIC) dan Large Hadron Collider. Pendekatan ini juga dapat berguna di bidang lain yang harus memisahkan sinyal-sinyal yang saling tumpang tindih dalam data kalorimetri.
Karya ini dilakukan dengan dukungan Laboratory Directed Research and Development BNL, DOE Office of Science, dan hibah Genesis Mission. Proyek ini juga melibatkan Columbia University dan University of Colorado Boulder.
