Quan dos nuclis atòmics pesants xoquen a gairebé la velocitat de la llum, com passa a l'accelerador RHIC del Laboratori Nacional de Brookhaven (Nova York), es forma durant un instant un plasma de quarks i gluons, l'estat de la matèria que hi havia just després del Big Bang. Una manera d'estudiar-lo és seguir els dolls de partícules (en anglès, jets) que el travessen, però queden enterrats sota un soroll de fons enorme: milers de partícules més que surten de la mateixa col·lisió. Separar-los és una de les feines més difícils de l'anàlisi de dades d'aquests experiments.
Un equip encapçalat per la física Yeonju Go, de Brookhaven i la Universitat Stony Brook, amb investigadors de la Universitat de Colúmbia i la Universitat de Colorado a Boulder, ha publicat a Scientific Reports (revista revisada per parells del grup Nature) un model d'IA generativa que aprèn a fer aquesta separació sense supervisió. No li cal cap «solucionari»: no necessita parelles d'exemples amb el senyal i el soroll ja separats ni etiquetes posades a mà, sinó que aprèn per una banda del soroll de fons del plasma i, per l'altra, de simulacions de dolls nets. Provat amb dades simulades que imiten el calorímetre del detector sPHENIX, va reconstruir la posició, l'energia i l'estructura interna dels dolls amb més precisió que els mètodes convencionals de resta del fons, sobretot en els dolls més grans, que és on el soroll fluctua més.
La rellevància va més enllà d'un sol detector. sPHENIX ha recollit gairebé 300 petabytes de dades, i els mètodes que no depenen d'exemples etiquetats són especialment útils allà on no se sap amb certesa quina és la resposta correcta. Els autors creuen que l'enfocament es podria aplicar al futur Col·lisionador d'Electrons i Ions de Brookhaven i al Gran Col·lisionador d'Hadrons (LHC) del CERN.
Els límits són clars: tots els resultats són sobre dades simulades, i la validació amb dades reals de sPHENIX encara està pendent. La nota de premsa no dona xifres de millora concretes, i l'aplicació a altres acceleradors és, de moment, una expectativa i no un fet demostrat. Caldrà veure si el model aguanta igual de bé el desordre de les col·lisions reals.