Caro(a) Leitor(a),
Tomadas de decisão inteligentes e rápidas são essenciais para lidar com a avalanche de colisões no LHC. No LHC de Alta Luminosidade (HiLumi LHC), espera-se que os experimentos ATLAS e CMS processem dados dos detectores a taxas correspondentes a aproximadamente um quarto do tráfego global da internet em 2025. Tudo isso em tempo real, como parte dos estágios iniciais de seleção de eventos.
A cada segundo, bilhões de prótons colidem uns com os outros nos quatro pontos de colisão do LHC, gerando um volume de dados tão vasto que é impossível armazená-lo em sua totalidade. Em vez disso, os dados precisam ser filtrados em tempo real por sistemas de detecção. Algoritmos específicos estimam quais eventos de colisão são potencialmente interessantes, com base em características predefinidas, permitindo que cerca de um em cada 20.000 eventos seja lido e armazenado para análises posteriores.
Na busca por falhas no Modelo Padrão da física de partículas, ou por fenômenos completamente novos, os pesquisadores dos experimentos CMS e ATLAS do LHC estão incorporando sistemas de gatilho mais inteligentes e computacionalmente mais poderosos em seus detectores, capazes de explorar mais dados em tempo real. Recentemente, soluções baseadas em inteligência artificial e aprendizado de máquina têm sido empregadas para ampliar o alcance físico desses gatilhos, abrindo um novo e poderoso caminho para a identificação de eventos potencialmente interessantes ou anômalos.
Os físicos de partículas foram pioneiros na adoção de redes neurais e vêm utilizando algoritmos de aprendizado de máquina para análise de dados desde a década de 1990. Até agora, essas ferramentas têm sido usadas principalmente para ajudar a identificar os rastros deixados por partículas nos detectores e para categorizar os processos físicos subjacentes. Esses métodos já conseguiram impulsionar o desempenho da análise de dados significativamente além do que era previsto quando o LHC estava sendo iniciado, permitindo que o CMS e o ATLAS medissem processos-chave – especialmente aqueles associados ao bóson de Higgs – muito antes do esperado.
Mas o aprendizado de máquina faz mais do que melhorar o desempenho: ele abre as portas para abordagens completamente novas na descoberta de fenômenos desconhecidos. Um exemplo é a detecção não supervisionada de anomalias. Em vez de visar partículas ou processos específicos previstos pelo Modelo Padrão, essa técnica busca qualquer tipo de discrepância entre os dados e a teoria. Esses algoritmos são treinados em colisões do LHC selecionadas aleatoriamente, ensinando-os a codificar eventos "padrão" observados pelos detectores, para que os físicos possam selecionar eventos potencialmente interessantes de forma imparcial.
“Isto representa uma mudança radical para a física de partículas, pois permite-nos vasculhar os dados do LHC em busca de novos fenómenos sem pré-julgar a sua aparência”, afirma Maurizio Pierini, do CMS. “Isto é essencial à medida que avançamos para uma era de precisão no LHC e continuamos a explorar os possíveis esconderijos para a nova física . ”
Para que essa técnica seja totalmente explorada, no entanto, ela não pode se limitar à pequena fração de dados selecionada pelos sistemas de gatilho do CMS e do ATLAS. Para uma detecção de anomalias verdadeiramente imparcial, o algoritmo deve ser aplicado já no nível do gatilho, a fim de evitar o risco de que os algoritmos de gatilho removam eventos potencialmente interessantes antes que a análise tenha a chance de encontrá-los. Isso representa um grande desafio, pois o sistema de gatilho precisa tomar uma decisão a cada nova colisão: 40 milhões de vezes por segundo, ou uma vez a cada 25 nanossegundos. Nessas velocidades, não há tempo para executar algoritmos de aprendizado de máquina computacionalmente intensivos. Ou será que há?
Em 2018, pesquisadores do CMS desenvolveram uma ferramenta de código aberto que traduz algoritmos de aprendizado de máquina para a linguagem (firmware) que controla FPGAs (Field-Programmable Gate Arrays). Esses FPGAs são os circuitos eletrônicos programáveis personalizados usados para tomar decisões ultrarrápidas na primeira etapa da seleção de eventos, chamada de gatilho de nível 1. A equipe então desenvolveu estratégias para "comprimir" os algoritmos, adaptando-os para implementação nos circuitos eletrônicos de gatilho de nível 1 sem reduzir significativamente seu desempenho.
Os experimentos ATLAS e CMS já estão implementando essa abordagem no gatilho de nível 1 durante a coleta de dados. Isso está fornecendo aos pesquisadores, pela primeira vez, um conjunto de dados para análise baseado na nova abordagem de gatilho.
“Os gatilhos de detecção de anomalias são muito diferentes dos nossos gatilhos convencionais no LHC, e usá-los para uma possível descoberta exigirá que desenvolvamos técnicas de análise de dados completamente novas”, afirma Dylan Rankin, do ATLAS. “Esses primeiros conjuntos de dados que estamos coletando no ATLAS e no CMS são cruciais para entendermos como fazer isso. As lições que estamos aprendendo também são vitais para aprimorar nossos modelos e técnicas para o desenvolvimento futuro de gatilhos.”
Entretanto, abordagens mais avançadas estão sendo desenvolvidas, tanto nos próprios experimentos quanto no âmbito do projeto Next-Generation Triggers . Lançado em janeiro de 2024 como uma colaboração entre os Departamentos de Física Experimental, Física Teórica e TI do CERN, juntamente com os experimentos ATLAS e CMS, o projeto de cinco anos assumiu grande parte do esforço de P&D. Impulsionado principalmente por pesquisadores em início de carreira, ele visa os desafios do futuro LHC de Alta Luminosidade , que está programado para entrar em operação em 2030. O objetivo principal é extrair mais informações físicas dos volumes de dados vastamente aumentados, aprimorando a seleção dos eventos de colisão mais relevantes e, ao mesmo tempo, rejeitando o ruído de fundo de forma eficiente. Esses avanços são fundamentais para aumentar a sensibilidade dos experimentos e, em última análise, para aumentar as chances de descobrir fenômenos nunca antes observados. Para alcançar esse objetivo, eles combinam técnicas modernas de IA e aprendizado de máquina com hardware especializado, como FPGAs, com o suporte de ferramentas como o hls4ml para implantar modelos de aprendizado de máquina diretamente na eletrônica de disparo, além de aprimorar as orientações teóricas e as ferramentas de análise para o estudo de eventos ultrarraros.
Em conjunto, esses desenvolvimentos visam garantir que, mesmo nas taxas de dados extremas do LHC de Alta Luminosidade, sinais potencialmente revolucionários possam ser identificados em vez de se perderem na enxurrada de colisões.
No "New Space Economy" você vai acompanhar os conteúdos relacionados a Nova Economia Espacial, "a Space Economy". Editei este Blog movido por uma convicção simples: as decisões de negócios mais importantes da próxima década serão influenciadas, direta ou indiretamente, pelo que está acontecendo a 400 quilômetros acima de nossas cabeças. O espaço já é a infraestrutura crítica da economia global. A economia espacial moderna sustenta quase todos os pilares da vida moderna na Terra O New Space Economy é o seu terminal de dados para o que acontece acima da nossa atmosfera, agora traduzido para o idioma dos negócios. Acesse aqui: https://newspaceeconomy.blogspot.com/
________________________________________
Web Science Academy; Hélio R.M.Cabral (Economista, Escritor eDivulgador de conteúdos de Economia, Astronomia, Astrofísica, Astrobiologia Climatologia). Participou do curso Astrofísica Geral no nível Georges Lemaître (EAD), concluído em 2020, pela Universidade Federal de Santa Catarina (UFSC).
Em outubro de 2014, ingressou no projeto S'Cool Ground Observation, que integra o Projeto CERES (Clouds and Earth’s Radiant Energy System) administrado pela NASA. Posteriormente, em setembro de 2016, passou a participar do The Globe Program / NASA Globe Cloud, um programa mundial de ciência e educação com foco no monitoramento do clima terrestre.
>Autor de cinco livros, que estão sendo vendidos nas livrarias Amazon, Book Mundo e outras
No "New Space Economy" você vai acompanhar os conteúdos relacionados a Nova Economia Espacial, "a Space Economy". Editei este Blog movido por uma convicção simples: as decisões de negócios mais importantes da próxima década serão influenciadas, direta ou indiretamente, pelo que está acontecendo a 400 quilômetros acima de nossas cabeças. O espaço já é a infraestrutura crítica da economia global. A economia espacial moderna sustenta quase todos os pilares da vida moderna na Terra O New Space Economy é o seu terminal de dados para o que acontece acima da nossa atmosfera, agora traduzido para o idioma dos negócios. Acesse aqui: https://newspaceeconomy.blogspot.com/
________________________________________
Web Science Academy; Hélio R.M.Cabral (Economista, Escritor eDivulgador de conteúdos de Economia, Astronomia, Astrofísica, Astrobiologia Climatologia). Participou do curso Astrofísica Geral no nível Georges Lemaître (EAD), concluído em 2020, pela Universidade Federal de Santa Catarina (UFSC).
Em outubro de 2014, ingressou no projeto S'Cool Ground Observation, que integra o Projeto CERES (Clouds and Earth’s Radiant Energy System) administrado pela NASA. Posteriormente, em setembro de 2016, passou a participar do The Globe Program / NASA Globe Cloud, um programa mundial de ciência e educação com foco no monitoramento do clima terrestre.
>Autor de cinco livros, que estão sendo vendidos nas livrarias Amazon, Book Mundo e outras
Nenhum comentário:
Postar um comentário