13 november 2026 presenteerden onderzoekers van het Brookhaven National Laboratory (BNL) een nieuwe aanpak op basis van superintelligentie (Super Intelligence, SI). De methode leert zelfstandig signalen van hoogenergetische deeltjesjets te scheiden van de enorme achtergrond in gegevens van botsingen van zware ionen.
Het werk is gepubliceerd in het tijdschrift Scientific Reports. Het team onder leiding van natuurkundigen en informatici van BNL, waaronder Jin Huang, Dmitri Torbunov, Yihui ‘Ray’ Ren, Yi Huang en Yongju Guo, ontwikkelde een generatief model zonder toezicht. Het vereist geen vooraf gelabelde voorbeelden.
Deeltjesjets vormen een van de belangrijkste instrumenten voor de studie van quark-gluonplasma (QGP) — een toestand van materie die microseconden na de Oerknal bestond. Bij botsingen in de Relativistic Heavy Ion Collider (RHIC) passeren deze jets het QGP en verliezen energie, waardoor hun structuur verandert. Een nauwkeurige analyse van dergelijke veranderingen helpt de sterke wisselwerking te begrijpen.
De grootste moeilijkheid is het zwakke jetsignaal te scheiden van de dichte achtergrond die door duizenden andere deeltjes wordt gevormd. Traditionele methoden vereisen aanzienlijke inspanningen voor het handmatig labelen van gegevens. De nieuwe SI-aanpak omzeilt dit probleem: hij leert op afzonderlijke sets van zuivere achtergrond en ideale simulaties van jets, en extraheert het signaal automatisch.
Tests op gesimuleerde gegevens van de sPHENIX-detector toonden een nauwkeuriger reconstructie van de positie, energie en interne structuur van jets in vergelijking met eerdere methoden. De verbetering is vooral merkbaar voor grote jets, waar de achtergrondfluctuaties het sterkst zijn.
Hoe precies scheidt het model signaal en achtergrond in echte experimentele gegevens, waar geen ‘juiste antwoorden’ bestaan? Dat is de vraag waarop de wetenschappers hopen een antwoord te krijgen bij de analyse van bijna 300 petabyte aan gegevens die door sPHENIX zijn verzameld.
De onderzoekers zijn van plan de methode toe te passen op echte RHIC-gegevens en in de toekomst op experimenten bij de Electron-Ion Collider (EIC) en de Large Hadron Collider. De aanpak kan ook van nut zijn op andere gebieden waar overlappende signalen in calorimetrische gegevens moeten worden gescheiden.
Het werk werd uitgevoerd met steun van Laboratory Directed Research and Development van BNL, het DOE Office of Science en een subsidie van Genesis Mission. Ook Columbia University en de University of Colorado Boulder waren bij het project betrokken.
