Uso de modelos de aprendizaje profundo para simular colisiones de partículas en física de altas energías

Abstract

[ES] El Modelo Estándar pretende explicar y clasificar la materia, las fuerzas y las energías que la controlan. Sin embargo, presenta ciertas carencias y no logra explicar algunos comportamientos de la materia, como la materia oscura. Proyectos como ATLAS en el Gran Colisionador de Hadrones buscan fisuras en el Modelo Estándar, llamadas señales, que podrían explicar las incógnitas que presenta el Modelo Estándar. En Física de Altas Energías, se utilizan técnicas de simulación de Montecarlo para obtener datos simulados, los cuales, junto con datos experimentales, son vitales para descubrir nuevas señales y validar las hipótesis realizadas por los físicos. No obstante, el alto costo temporal y computacional de esta técnica limita el progreso científico debido a la velocidad de generación de eventos y limitaciones en el presupuesto. La generación de eventos se puede acelerar con la ayuda de modelos de aprendizaje profundo, lo que permitiría aumentar el volumen de eventos generados y reducir el coste computacional asociado, proporcionando una mejora significativa en la velocidad de estudio de señales. Esto permitiría, por ejemplo, búsquedas más amplias de señales de la denominada nueva física. Por lo tanto, proponemos el uso de redes generativas antagónicas como una alternativa económica y rápida al método de Montecarlo para la generación de nuevos eventos.

[EN] The Standard Model aims to explain and classify matter, forces, and energies that control it. However, it has certain shortcomings and cannot explain some phenomena of matter, such as dark matter. Projects like ATLAS at the Large Hadron Collider are searching for cracks in the Standard Model, called signals, which could explain the uncertainties presented by the Standard Model. In High-Energy Physics, Montecarlo simulation techniques are used to obtain simulated data, which along with experimental data are vital for discovering new signals and validating hypotheses made by physicists. However, the high temporal and computational cost of this technique limits scientific progress due to the speed of event generation and budget limitations. The events generation can be accelerated with the help of deep learning models, which would allow augmenting the volume of generated events and reducing the associated computational cost, providing a significant improvement in the speed of signal studies. This would allow, for example, broader searches for signals of the so-called Physics Beyond the Standard Model. Therefore, we propose the use of generative adversarial networks as an economic and fast alternative to the Montecarlo method for the generation of new events.

[CA] El Model Estàndard pretén explicar i classificar la matèria, les forces i les energies que la controlen. Tot i això, presenta certes mancances i no aconsegueix explicar alguns comportaments de la matèria, com la matèria fosca. Projectes com ATLAS al Gran Col·lisionador d’Hadrons busquen fissures al Model Estàndard, anomenats senyals, que podrien explicar les incògnites que presenta el Model Estàndard. A Física d’Altes Energies, s’utilitzen tècniques de simulació de Montecarlo per obtenir dades simulades, les quals, juntament amb dades experimentals, són vitals per descobrir nous senyals i validar les hipòtesis realitzades pels físics. Això no obstant, l’alt cost temporal i computacional d’aquesta tècnica limita el progrés científic a causa de la velocitat de generació d’esdeveniments i limitacions al pressupost. La generació d’esdeveniments es pot accelerar amb l’ajuda de models d’aprenentatge profund, cosa que permetria augmentar el volum d’esdeveniments generats i reduir el cost computacional associat, proporcionant una millora significativa a la velocitat d’estudi de senyals. Això permetria, per exemple, cerques més àmplies de senyals de la denominada nova física. Per tant, proposem l’ús de xarxes generatives adversarials com a alternativa econòmica i ràpida al mètode de Montecarlo per a la generació de nous esdeveniments.