Un equipo de la Universidad de Oviedo ha diseñado una estrategia que usa redes neuronales paramétricas entrenadas para identificar la presencia de dos tipos de partículas supersimétricas muy relevantes
24 feb 2021 . Actualizado a las 17:46 h.Un trabajo del Grupo de Física de Altas Energías del ICTEA de la Universidad de Oviedo, ha aplicado por primera vez la inteligencia artificial en la búsqueda de materia oscura. El estudio se ha publicado en la portada de la revista CERN Courier, y aborda la localización de partículas supersimétricas o nuevas superpartículas con inteligencia artificial o aprendizaje profundo.
Actualmente se desconoce de qué está hecha la materia oscura, pero su naturaleza podría explicarse por las partículas supersimétricas. El trabajo ha sido liderado por los investigadores Carlos Erice Cid, Enrique Palencia Cortezón y Santiago Folgueras Gómez.
Este resultado, que utiliza técnicas de aprendizaje profundo sobre los datos recogidos por el experimento CMS del LHC para mejorar enormemente los resultados previos, está en estos momentos en la última fase de edición antes de su publicación en Journal of High Energy Physics.
Carlos Erice Cid, cuya tesis doctoral incluirá este resultado, ha sido invitado a presentar este resultado en la conferencia internacional Rencontres de Moriond 2021, una de las más importantes en Física de Partículas, que tendrá lugar a finales de marzo.
En Física, la explicación del comportamiento de los constituyentes más pequeños que conocemos se realiza a través una teoría denominada el modelo estándar. A pesar de proporcionar las predicciones más precisas de las interacciones fundamentales, hay algunas características de nuestro universo que no es capaz de explicar.
Una de las más importantes es la mencionada composición de lo que conocemos como materia oscura. Los modelos supersimétricos son un tipo de teorías que pueden proporcionar, entre otras cosas, los ingredientes para explicar la naturaleza de la materia oscura. En estos modelos aparecen de manera natural una plétora de nuevas partículas muy pesadas con interacciones extremadamente débiles con la materia ordinaria, las superpartículas.
Los investigadores han diseñado una estrategia que usa redes neuronales paramétricas entrenadas para identificar la presencia de dos tipos de partículas supersimétricas muy relevantes. Con este método se consigue el resultado más potente de CMS en la búsqueda de ambas partículas. La sensibilidad a la presencia de nuevas partículas supersimétricas se incrementa entre un 30 % y un 100%, informa Europa Press.