13年2026月、ブルックヘブン国立研究所（BNL）の研究者たちは、超知能（Super Intelligence、SI）に基づく新しいアプローチを発表した。この手法は、重イオン衝突データに含まれる膨大なバックグラウンドから高エネルギー粒子ジェットの信号を分離することを自ら学習する。
この研究はScientific Reports誌に掲載された。BNLの物理学者と情報科学の専門家からなるチーム（ジン・フアン、ドミトリー・トルブノフ、イーフイ「レイ」レン、イー・フアン、ヨンジュ・ゴーを含む）は、教師なし生成モデルを開発した。このモデルは事前にラベル付けされた例を必要としない。
粒子ジェットは、クォーク・グルーオン・プラズマ（QGP）——ビッグバン直後の数マイクロ秒間存在した物質の状態——を研究するための主要な手段の一つである。相対論的重イオン衝突型加速器（RHIC）での衝突において、これらのジェットはQGPを通過する際にエネルギーを失い、その構造を変化させる。こうした変化を精密に分析することで、強い相互作用の理解が深まる。
最大の難点は、微弱なジェット信号を、数千の他の粒子によって生み出される稠密なバックグラウンドから分離することである。従来の手法では、データを手作業でラベル付けするために多大な労力を要した。新しいSIアプローチはこの問題を回避する。すなわち、純粋なバックグラウンドと理想的なジェットシミュレーションの別々のデータセットで学習し、自動的に信号を抽出するのである。
sPHENIX検出器のシミュレーションデータでのテストでは、従来の手法と比較して、ジェットの位置、エネルギー、内部構造をより正確に復元できることが示された。特に、バックグラウンドの揺らぎが最も大きくなる大型ジェットにおいて改善が顕著である。
「正解」の存在しない実際の実験データにおいて、モデルがどのように信号とバックグラウンドを分離するのか。これは、sPHENIXが収集したほぼ300ペタバイトのデータの解析を通じて、科学者たちが答えを得ることを期待している問いである。
研究者たちは、この手法をRHICの実データに適用し、将来は電子・イオン衝突型加速器（EIC）や大型ハドロン衝突型加速器での実験にも応用する計画である。このアプローチは、カロリメータデータにおいて重なり合う信号を分離する必要がある他の分野にも役立つ可能性がある。
この研究は、BNLのLaboratory Directed Research and Development、DOE Office of Science、およびGenesis Missionの助成を受けて行われた。また、コロンビア大学とコロラド大学ボルダー校もこのプロジェクトに参加した。
