13 novembre 2026 i ricercatori del Brookhaven National Laboratory (BNL) hanno presentato un nuovo approccio basato sulla super-intelligenza (Super Intelligence, SI). Il metodo impara autonomamente a separare i segnali dei jet di particelle ad alta energia dall'enorme fondo nei dati delle collisioni di ioni pesanti.
Il lavoro è stato pubblicato sulla rivista Scientific Reports. Il team, guidato da fisici e specialisti di informatica del BNL, tra cui Jin Huang, Dmitrij Torbunov, Yihui «Ray» Ren, Yi Huang e Yongju Go, ha sviluppato un modello generativo non supervisionato. Esso non richiede esempi previamente etichettati.
I jet di particelle costituiscono uno degli strumenti chiave per studiare il plasma quark-gluone (QGP), uno stato della materia esistito per microsecondi dopo il Big Bang. Nelle collisioni al Relativistic Heavy Ion Collider (RHIC) questi jet attraversano il QGP e perdono energia, modificando la loro struttura. L'analisi precisa di tali cambiamenti aiuta a comprendere l'interazione forte.
La difficoltà principale è separare il debole segnale del jet dal denso fondo creato da migliaia di altre particelle. I metodi tradizionali richiedono notevoli sforzi di etichettatura manuale dei dati. Il nuovo approccio SI aggira questo problema: si addestra su insiemi separati di fondo puro e di simulazioni ideali di jet, estraendo automaticamente il segnale.
I test su dati simulati del rivelatore sPHENIX hanno mostrato una ricostruzione più accurata della posizione, dell'energia e della struttura interna dei jet rispetto ai metodi precedenti. Il miglioramento è particolarmente evidente per i jet di grandi dimensioni, dove le fluttuazioni del fondo sono più forti.
Come esattamente il modello separi segnale e fondo nei dati sperimentali reali, dove non esistono «risposte corrette»? È una domanda a cui gli scienziati sperano di rispondere analizzando quasi 300 petabyte di dati raccolti da sPHENIX.
I ricercatori intendono applicare il metodo ai dati reali del RHIC e in futuro agli esperimenti all'Electron-Ion Collider (EIC) e al Large Hadron Collider. L'approccio potrebbe essere utile anche in altri ambiti in cui occorre separare segnali sovrapposti nei dati calorimetrici.
Il lavoro è stato svolto con il supporto del Laboratory Directed Research and Development del BNL, del DOE Office of Science e di una sovvenzione della Genesis Mission. Al progetto hanno partecipato anche la Columbia University e la University of Colorado Boulder.
