Reti Neurali a Grafo all’opera: Come stiamo rivoluzionando la caccia alle particelle a Belle II!

Ciao a tutti, appassionati di scienza e curiosi dell’universo! Oggi voglio portarvi con me nel cuore di uno degli esperimenti di fisica delle particelle più affascinanti del momento, Belle II, e raccontarvi come stiamo usando un pizzico di magia tecnologica – le Reti Neurali a Grafo (GNN) – per affrontare una delle sfide più complesse: ricostruire le traiettorie delle particelle.

La Sfida: Trovare Aghi in un Pagliaio Cosmico (e Rumoroso!)

Immaginatevi l’interno di un acceleratore di particelle come il SuperKEKB in Giappone, dove elettroni e positroni si scontrano a energie pazzesche. Da queste collisioni nascono sciami di nuove particelle, un vero e proprio fuoco d’artificio subatomico! Il nostro compito, come fisici sperimentali, è capire cosa è successo, chi è nato da queste collisioni e quali proprietà avesse. Per farlo, usiamo rivelatori sofisticatissimi, come la nostra camera a deriva centrale (CDC) a Belle II.

La CDC è come un enorme cilindro pieno di migliaia di fili sottilissimi immersi in un gas. Quando una particella carica passa, ionizza il gas e lascia una scia di segnali elettrici sui fili più vicini. Questi segnali, che chiamiamo “hit”, sono i nostri indizi. Il problema? Belle II opera a un’intensità luminosa altissima, il che significa tantissime collisioni e, purtroppo, tantissimo “rumore” di fondo – segnali spuri che non provengono dalla collisione principale che ci interessa. Ricostruire le traiettorie originali (“tracce”) delle particelle partendo da questa miriade di hit, molti dei quali sono rumore, è come cercare di seguire le scie di pochi aerei in un cielo affollatissimo e nebbioso. Un compito arduo!

L’Approccio Tradizionale e i Suoi Limiti

Tradizionalmente, la ricostruzione delle tracce si basa su algoritmi complessi, passo dopo passo. Prima si cerca di filtrare il rumore, poi si cercano segmenti di traccia, si collegano, si stima la traiettoria… un processo lungo e computazionalmente intensivo. Questi metodi funzionano bene per tracce “standard”, quelle che partono dal punto esatto della collisione (il “punto di interazione” o IP). Ma quando le cose si complicano, ad esempio con particelle che decadono lontano dall’IP (le cosiddette “tracce spiazzate”) o in ambienti con molto rumore di fondo, questi algoritmi iniziano a faticare. E indovinate un po’? Proprio le tracce spiazzate sono spesso la firma di fenomeni fisici nuovi, quelli che vanno oltre il Modello Standard che tanto ci piacerebbe scoprire!

La Rivoluzione GNN: Nasce il CAT Finder

Ed è qui che entra in gioco l’intelligenza artificiale, e in particolare le Reti Neurali a Grafo (GNN). Le GNN sono perfette per lavorare con dati strutturati come grafi, e cosa c’è di più simile a un grafo dei nostri hit nel rivelatore? Possiamo pensare a ogni hit come un “nodo” e alle possibili connessioni tra hit vicini come “archi”.

Abbiamo sviluppato un nuovo algoritmo, che abbiamo chiamato CAT Finder (CDC AI Track), basato proprio sulle GNN. La cosa rivoluzionaria? È un approccio “end-to-end”. Invece di procedere per step separati, il CAT Finder prende tutti gli hit in ingresso (senza filtraggio preliminare!) e, in un colpo solo:

• Predice quante tracce ci sono nell’evento.
• Stima le proprietà cinematiche (momento, punto di partenza, carica) di ciascuna traccia candidata.
• Raggruppa (“clusterizza”) gli hit appartenenti a ciascuna traccia candidata.

Questi cluster di hit e le stime cinematiche vengono poi passati a un algoritmo di “fitting” più tradizionale (basato sul Filtro di Kalman) per rifinire la misura della traccia.

Risultati Sorprendenti: Un Salto Quantico per le Tracce Spiazzate

Abbiamo messo alla prova il CAT Finder usando simulazioni molto realistiche del nostro rivelatore, includendo anche il rumore di fondo preso da dati reali di collisione. I risultati? Davvero entusiasmanti!

Per le tracce “standard” (quelle che partono dall’IP), il CAT Finder si comporta in modo comparabile all’algoritmo tradizionale (“Baseline Finder”) nella regione centrale del rivelatore (il “barrel”), ma è significativamente migliore nelle regioni estreme (“endcaps”), dove le tracce sono più corte e il rumore è più fastidioso.

Ma la vera magia avviene con le tracce spiazzate. Qui il miglioramento è drastico. Abbiamo simulato eventi ipotetici con particelle esotiche di lunga vita media (proprio quelle che cerchiamo!) che decadono lontano dall’IP. In questi casi, il CAT Finder raggiunge un’efficienza combinata di identificazione e fitting (con la carica corretta) dell’85.4% per traccia, con un tasso di tracce “false” (spurie) del solo 2.5%. L’algoritmo tradizionale, nelle stesse condizioni, si ferma al 52.2% di efficienza con un tasso di falsi del 4.1%. Un miglioramento enorme! Questo apre nuove finestre per la ricerca di nuova fisica a Belle II.

Abbiamo testato il CAT Finder anche su altri tipi di eventi, come decadimenti di particelle note (come i K-short) che producono vertici spostati, o eventi con coppie di muoni, confermando la sua superiorità, specialmente in condizioni difficili.

Come Funziona la Magia (in Breve)

Senza entrare troppo nei dettagli tecnici, il cuore del CAT Finder è una GNN basata su blocchi chiamati “GravNet”. Questi blocchi imparano a rappresentare gli hit in uno spazio “latente” astratto. Qui, usiamo una tecnica chiamata “object condensation”: la rete impara ad “attrarre” nello spazio latente gli hit appartenenti alla stessa particella verso un punto specifico (il “punto di condensazione”) e a “respingere” hit di particelle diverse o del rumore di fondo.

Ogni punto di condensazione rappresenta una traccia trovata. La rete impara anche a predire, per ogni punto di condensazione, le proprietà della particella corrispondente (momento, posizione iniziale, carica). Successivamente, associamo a ogni punto di condensazione gli hit che gli sono “vicini” nello spazio latente. Infine, ordiniamo questi hit nello spazio reale per passarli all’algoritmo di fitting. Sembra complicato, ma la GNN impara a fare tutto questo in modo molto efficace!

Lezioni Imparate e Sguardo al Futuro

Sviluppare il CAT Finder non è stato semplice. Abbiamo imparato molto lungo la strada:

• L’importanza di usare dati di addestramento vari e non “troppo perfetti” per evitare che la rete impari scorciatoie basate su correlazioni fisiche specifiche invece del compito generale.
• La necessità di includere campioni “intermedi” (come tracce spiazzate singole) per stabilizzare l’addestramento tra topologie diverse (tracce dall’IP vs vertici spostati).
• Come gestire le particelle secondarie (generate dalle interazioni nel materiale del rivelatore) che possono confondere la rete.
• La sorprendente capacità della GNN di inferire il punto di partenza di una traccia anche quando non ci sono hit vicini, sfruttando la curvatura della traccia e l’informazione implicita che le particelle “interessanti” tendono a provenire dalla regione dell’IP.
• La robustezza del modello: anche quando testato in condizioni di rumore diverse da quelle di addestramento, il CAT Finder mantiene prestazioni superiori all’algoritmo tradizionale, suggerendo che non avremo bisogno di riaddestrarlo continuamente.

Questo lavoro rappresenta un passo avanti significativo. È, a nostra conoscenza, il primo algoritmo di tracking end-to-end basato su machine learning utilizzato in un ambiente realistico di fisica delle particelle e il primo tracking completamente basato su GNN in un rivelatore a camera a deriva.

Il futuro? Stiamo già pensando a come ottimizzare ulteriormente il CAT Finder e, soprattutto, a come sfruttare la sua velocità e capacità end-to-end per applicazioni in tempo reale, ad esempio per selezionare eventi interessanti direttamente nell’elettronica di “trigger” dell’esperimento, magari implementando queste GNN su hardware specializzato come gli FPGA.

La caccia a nuova fisica è più eccitante che mai, e l’intelligenza artificiale si sta rivelando un alleato potentissimo in questa avventura! Rimanete sintonizzati per le prossime scoperte!

Fonte: Springer