Em 13 de novembro de 2026, pesquisadores do Laboratório Nacional de Brookhaven (BNL) apresentaram uma nova abordagem baseada em superinteligência (Super Intelligence, SI). O método aprende por conta própria a separar sinais de jatos de partículas de alta energia do enorme fundo nos dados de colisões de íons pesados.
O trabalho foi publicado na revista Scientific Reports. A equipe liderada por físicos e especialistas em informática do BNL, incluindo Jin Huang, Dmitry Torbunov, Yihui "Ray" Ren, Yi Huang e Yongju Go, desenvolveu um modelo generativo não supervisionado. Ele não requer exemplos previamente rotulados.
Os jatos de partículas são um dos principais instrumentos para estudar o plasma de quarks e glúons (QGP) — um estado da matéria que existiu por microssegundos após o Big Bang. Nas colisões no Colisor Relativístico de Íons Pesados (RHIC), esses jatos atravessam o QGP e perdem energia, alterando sua estrutura. A análise precisa dessas mudanças ajuda a compreender a interação forte.
A principal dificuldade é separar o sinal fraco do jato do denso fundo criado por milhares de outras partículas. Os métodos tradicionais exigem esforços consideráveis de rotulagem manual dos dados. A nova abordagem de SI contorna esse problema: ela aprende com conjuntos separados de fundo puro e simulações ideais de jatos, extraindo o sinal automaticamente.
Testes em dados simulados do detector sPHENIX mostraram uma reconstrução mais precisa da posição, da energia e da estrutura interna dos jatos em comparação com métodos anteriores. A melhoria é especialmente notável para jatos grandes, onde as flutuações do fundo são mais intensas.
Como exatamente o modelo separa o sinal do fundo em dados experimentais reais, onde não há "respostas corretas"? Esta é a questão que os cientistas esperam responder ao analisar quase 300 petabytes de dados coletados pelo sPHENIX.
Os pesquisadores planejam aplicar o método aos dados reais do RHIC e, no futuro, aos experimentos no Colisor Elétron-Íon (EIC) e no Grande Colisor de Hádrons. A abordagem também pode ser útil em outras áreas onde é preciso separar sinais sobrepostos em dados calorimétricos.
O trabalho foi realizado com o apoio do Laboratory Directed Research and Development do BNL, do DOE Office of Science e de uma bolsa da Genesis Mission. O projeto também contou com a participação da Universidade Columbia e da Universidade do Colorado em Boulder.
