Nos últimos anos, a inteligência artificial (IA) tem ganhado destaque nas áreas da Ciência, principalmente na Física e na Química. Ano passado, os prêmios Nobel das duas áreas foram para trabalhos com uso de IA. Isso é cada vez mais necessário para tornar possível o tratamento de grandes volumes de dados. E também a identificação de padrões complexos que seriam difíceis de detectar usando métodos tradicionais. Além de facilitar o processamento e aceleração de simulações complexas.
Na física de partículas, uma das grandes questões é entender a estrutura interna dos hádrons, que são partículas como os prótons e nêutrons. Esses objetos são formados por quarks e glúons, conhecidos coletivamente como pártons. A distribuição de pártons dentro de um hádron, ou seja, como a energia e o momento dos quarks e glúons se distribuem, é importante para prever resultados de colisões em aceleradores como o LHC. Essas distribuições são chamadas de funções de distribuição de partóns (PDFs).
Físicos desenvolveram um novo modelo baseado em IA para estudar as PDFs dos prótons. O modelo é baseado em técnicas de aprendizado de máquina e foi treinado com dados experimentais de colisões de alta energia. Esse modelo consegue estimar com mais precisão as probabilidades de encontrar um párton com certa fração de momento dentro do próton. Isso reduz as incertezas e pode ser atualizado continuamente com novos dados.
Modelo Padrão
Dentro da Física, o Modelo Padrão é a teoria que descreve as partículas elementares e as suas interações, com exceção da gravidade. Ele inclui doze partículas fundamentais da matéria, sendo elas os seis quarks e os seis léptons. E também há as partículas mediadoras como o fóton para a interação eletromagnética, os bósons W e Z para a interação fraca e o glúon para a interação forte.
O bóson de Higgs que foi descoberto em 2012 foi importante para completar o modelo ao explicar como as partículas adquirem massa através do mecanismo de Higgs.
Apesar do Modelo Padrão ser considerado um dos modelos mais bem sucedidos da Ciência porque conseguiu prever e descrever fenômenos que foram confirmados em experimentos, ele ainda não é uma teoria completa. Um dos pontos que muitos físicos trabalham é em tentar incluir a gravidade dentro do Modelo Padrão. Com isso, o modelo não consegue explicar a matéria escura, a energia escura, e nem as oscilações de neutrinos corretamente.
Partóns
Partóns são os constituintes fundamentais dos hádrons que são as partículas como prótons e nêutrons. Os partóns são importantes para descrever o comportamento dessas partículas em colisões de altíssima energia. Essas colisões são observadas em aceleradores de partículas como o LHC, por exemplo. Nessas colisões, os prótons se comportam como feixes de partóns individuais, cada um carregando uma fração do momento do próton total.
A distribuição dos partóns dentro de um hádron é descrita por uma função chamada de função de distribuição de partóns (PDFs). As PDFs indicam a probabilidade de encontrar um quark ou glúon com uma determinada fração do momento longitudinal. Essas funções ajudam a prever os resultados de experimentos no LHC e em outros aceleradores. No entanto, as PDFs não podem ser calculadas diretamente com precisão e em vez disso, são extraídas de dados experimentais ou por meio de métodos numéricos.
Modelo
Um estudo recente publicado na Physical Review D, apresentou o um modelo que levou o nome de PDFdecoder que é baseado em modelos de rede neural. Essa arquitetura comprime dados complexos em um espaço novo e de forma simplificada e, em seguida, reconstrói os dados originais a partir desse espaço. Isso permite manipular e interpretar PDFs de forma muito mais rápida e com menos processamento.
A reconstrução precisa das PDFs é necessária para prever o comportamento das partículas em experimentos de altas energias. As principais características dessas distribuições são descritas por algo chamado de momentos de Mellin. Esses momentos de Mellin são expressões matemáticas que dizem como quarks e glúons estão distribuídos dentro dos prótons. O novo modelo utiliza IA generativa para preencher lacunas e recriar as condições iniciais.
PDF com IA
Com o PDFdecoder, o grupo de físicos conseguiu analisar como as PDFs podem ser decodificadas a partir dos momentos de Mellin. Além disso, o modelo possibilita explorar diferentes soluções possíveis para um sistema estudado. A abordagem usando IA permite que as PDFs sejam descritas mais precisamente e melhora as previsões nos experimentos de física de partículas.
Isso ajuda também nos cálculos com lattice gauge que é uma técnica computacional usada para dentro da área de cromodinâmica quântica. Essa área abrange o estudo que descreve a força forte que mantém quarks e glúons unidos. Ao incorporar dados dos momentos de Mellin, o PDFdecoder oferece um novo jeito de integrar informações de lattice aos estudos de PDFs, ajudando a aproximar modelos teóricos aos resultados experimentais.
Referência da notícia
Kriesten et al. 2025 Learning PDFs through interpretable latent representations in Mellin space Physical Review D