13 Kasım 2026 tarihinde Brookhaven Ulusal Laboratuvarı'ndan (BNL) araştırmacılar, süper zekâ (Super Intelligence, SI) temelli yeni bir yaklaşım sundu. Yöntem, ağır iyon çarpışma verilerindeki muazzam arka plandan yüksek enerjili parçacık jetlerinin sinyallerini kendi kendine öğrenerek ayırıyor.
Çalışma Scientific Reports dergisinde yayımlandı. BNL'den fizikçiler ve bilgisayar bilimcilerinin önderliğindeki ekip — Jin Huang, Dmitry Torbunov, Yihui «Ray» Ren, Yi Huang ve Yongju Go dahil — önceden etiketlenmiş örneklere ihtiyaç duymayan bir üretken model geliştirdi.
Parçacık jetleri, Büyük Patlama'dan sonraki mikro saniyeler boyunca var olmuş bir madde hâli olan kuark-gluon plazmasını (QGP) incelemek için temel araçlardan biridir. Relativistik Ağır İyon Çarpıştırıcısı'ndaki (RHIC) çarpışmalarda bu jetler QGP içinden geçerken enerji kaybeder ve yapılarını değiştirir. Bu tür değişimlerin hassas analizi, güçlü etkileşimin anlaşılmasına yardımcı olur.
Asıl zorluk, zayıf jet sinyalini binlerce başka parçacığın oluşturduğu yoğun arka plandan ayırmaktır. Geleneksel yöntemler, verilerin elle etiketlenmesi için önemli ölçüde çaba gerektirir. Yeni SI yaklaşımı bu sorunu aşar: temiz arka plan ve ideal jet simülasyonlarından oluşan ayrı kümeler üzerinde eğitilir ve sinyali otomatik olarak çıkarır.
sPHENIX dedektörünün simüle edilmiş verileri üzerinde yapılan testler, jetlerin konumunun, enerjisinin ve iç yapısının önceki yöntemlere kıyasla daha doğru geri kazanıldığını gösterdi. İyileşme özellikle arka plan dalgalanmalarının en güçlü olduğu büyük jetlerde belirgindir.
Model, «doğru yanıtların» bulunmadığı gerçek deneysel verilerde sinyali ve arka planı tam olarak nasıl ayırıyor? Bu, bilim insanlarının sPHENIX tarafından toplanan yaklaşık 300 petabayt verinin analizinde yanıtını almayı umduğu sorudur.
Araştırmacılar yöntemi RHIC'in gerçek verilerine ve gelecekte Elektron-İyon Çarpıştırıcısı (EIC) ile Büyük Hadron Çarpıştırıcısı'ndaki deneylere uygulamayı planlıyor. Yaklaşım, kalorimetrik verilerde üst üste binen sinyalleri ayırmanın gerektiği diğer alanlarda da işe yarayabilir.
Çalışma, BNL'nin Laboratory Directed Research and Development programı, DOE Office of Science ve Genesis Mission hibesi desteğiyle gerçekleştirildi. Projeye Columbia Üniversitesi ve Boulder'daki Colorado Üniversitesi de katıldı.
