13 listopada 2026 roku badacze z Brookhaven National Laboratory (BNL) przedstawili nowe podejście oparte na superinteligencji (Super Intelligence, SI). Metoda samodzielnie uczy się oddzielać sygnały wysokoenergetycznych dżetów cząstek od ogromnego tła w danych ze zderzeń ciężkich jonów.
Praca została opublikowana w czasopiśmie Scientific Reports. Zespół pod kierownictwem fizyków i specjalistów od informatyki z BNL, w tym Jin Huang, Dmitrija Torbunowa, Yihui „Raya” Rena, Yi Huang i Yongju Guo, opracował model generatywny bez nadzoru. Nie wymaga on wstępnie oznaczonych przykładów.
Dżety cząstek są jednym z kluczowych narzędzi do badania plazmy kwarkowo-gluonowej (QGP) — stanu materii, który istniał mikrosekundy po Wielkim Wybuchu. W zderzeniach w Relativistic Heavy Ion Collider (RHIC) dżety te przechodzą przez QGP i tracą energię, zmieniając swoją strukturę. Precyzyjna analiza takich zmian pomaga zrozumieć oddziaływanie silne.
Główna trudność polega na oddzieleniu słabego sygnału dżetu od gęstego tła tworzonego przez tysiące innych cząstek. Tradycyjne metody wymagają znacznego wysiłku związanego z ręcznym oznaczaniem danych. Nowe podejście SI omija ten problem: uczy się na osobnych zbiorach czystego tła i idealnych symulacji dżetów, automatycznie wyodrębniając sygnał.
Testowanie na symulowanych danych detektora sPHENIX wykazało dokładniejsze odtworzenie położenia, energii i wewnętrznej struktury dżetów w porównaniu z wcześniejszymi metodami. Poprawa jest szczególnie widoczna dla dużych dżetów, gdzie fluktuacje tła są najsilniejsze.
Jak dokładnie model rozdziela sygnał i tło w rzeczywistych danych eksperymentalnych, w których nie ma „prawidłowych odpowiedzi”? To pytanie, na które naukowcy liczą na uzyskanie odpowiedzi podczas analizy prawie 300 petabajtów danych zebranych przez sPHENIX.
Badacze planują zastosować metodę do rzeczywistych danych RHIC, a w przyszłości — do eksperymentów w Electron-Ion Collider (EIC) i Large Hadron Collider. Podejście może się przydać także w innych dziedzinach, gdzie trzeba rozdzielać nakładające się sygnały w danych kalorymetrycznych.
Praca została wykonana przy wsparciu Laboratory Directed Research and Development BNL, DOE Office of Science oraz grantu Genesis Mission. W projekcie uczestniczyły także Columbia University i University of Colorado Boulder.
