Publicado por kmatsui em qua, 20/05/2026 - 14:56
A Inteligência Artificial já está muito presente em nossas vidas, usado como ferramenta de pesquisa ou até para gerar imagens diversas. A IA é muito maior que isso, podendo ser utilizada em diversas áreas, inclusive, para o desenvolvimento da ciência. Mas será que ela seria capaz de ajudar os físicos a identificar modificações no comportamento de quarks e gluons ao atravessar a sopa primordial do Universo? Essa foi a missão assumida por Leonardo Lima, que desenvolveu seu projeto de mestrado no HEPIC, sob orientação do Prof. Marcelo Munhoz.
*A aprendizagem de máquina ou Machine Learning, é um campo de estudo em inteligência artificial que desenvolve algoritmos estatísticos que de certa forma aprendam a executar tarefas por meio de dados e generalizá-los para demais
Jatos de partículas e Plasma de Quarks e Glúons
Prótons e nêutrons são compostos de quarks e glúons, como todos os hádrons. Ao colidir dois núcleos de chumbo, compostos de muitos prótons e nêutrons, há uma alta probabilidade que quarks (ou glúons) de um próton (ou nêutron) que compõem um dos núcleos colida com quarks (ou glúons) de prótons (ou nêutrons) do outro núcleo. Se a troca de energia entre eles for bem alta, isso gera o que chamamos de espalhamento duro. Esse espalhamento teria o efeito de arrancar esses quarks (ou glúons) dos seus respectivos prótons (ou nêutrons). Porém devido ao confinamento, acaba ocorrendo o fenômeno da fragmentação, onde esse quark (ou glúon) viajando a altíssima velocidade produz vários hádrons, que são as partículas que conseguimos observar, de uma maneira colimada em torno do quark (ou glúon) que sofreu o espalhamento. Esse efeito produz então um jato, um spray, de partículas (ou jet, em inglês). Agora imagine esse processo acontecendo dentro do “caldo” de alta temperatura e densidade, conhecido como Plasma de Quarks e Glúons (ou QGP). Ele certamente sofrerá mudanças e perderá energia. Esse fenômeno é chamado de Jet Quenching, onde um jato parece mais "fraco" ou com menos partículas do que o jato que ocorre no vácuo (ou no espaço vazio, sem o Plasma) , indicando que interagiu com o meio denso de QGP. Como explica, Leonardo:
“Em colisões de altas energias, um jato pode ser entendido, de forma mais intuitiva, como um “spray” colimado de partículas”.
Imagem: Representação artística do plasma de quarks e glúons, um estado extremo da matéria em que quarks e glúons deixam de estar confinados no interior dos hádrons. Na ilustração, as esferas representam os quarks, enquanto as estruturas em forma de molas simbolizam os glúons, mediadores da interação forte. A imagem destaca a ideia central de desconfinamento, onde em temperaturas e densidades muito altas, os constituintes da matéria hadrônica formam um meio fortemente interagente.
“A importância de estudar jatos está diretamente ligada a uma característica central da Cromodinâmica Quântica, o confinamento de cor**. Quando um quark ou glúon altamente energético é produzido na colisão, ele não aparece diretamente no detector. Em vez disso, ele evolui por meio de emissões sucessivas, formando um chuveiro de partículas. O resultado final é um conjunto de hádrons espacialmente correlacionados, que pode ser reconstruído experimentalmente como um jato.”
**Os quarks se unem formando partículas neutras de cor (mésons ou bárions) para anular suas cargas de cor, processo análogo à formação de luz branca com cores primárias. Esse Princípio da Cromodinâmica Quântica (QCD), impede que quarks e glúons existam livremente na natureza, e se encontram apenas dentro de partículas compostas "brancas" (neutras em cor), como hádrons, pois a força forte aumenta com a distância, tornando impossível separá-los.
Imagem: Figura 1: Um esboço (à esquerda) e uma visualização do evento (à direita) de uma configuração de dijet (jato duplo) balanceada em colisões centrais de íons pesados. O esboço é desenhado a partir de uma perspectiva da linha de feixe, enquanto a visualização do evento fornece uma vista lateral. Crédito: CERN.
Machine learning e jatos
A ideia de usar o machine learning veio da ascensão do uso dessa ferramenta entre 2023-2024, que já se consolidou em diversas pesquisas na Física de Partículas. A aplicação de IAs é muito bem conhecida na geração de textos e transformações de imagens, porém ela também é amplamente utilizada como ferramenta na Física de Partículas.
“A ideia de usar machine learning estava bastante em alta e apesar disso já era uma ferramenta bastante utilizada para análise de dados. Então uma pergunta que a gente fez foi, será que a gente consegue usar os modelos de machine learning para capturar padrões estatísticos, jato a jato, que revelem se eles sofreram modificações causadas pelo meio, se são Jet Quenching ou não?”
Diferentemente dos experimentos como o ALICE, que detectam esses jatos produzidos em colisões entre partículas , os jatos estudados pelo mestrando eram gerados pelo programa JEWEL, Jet Evolution With Energy Loss. A ferramenta gera um conjunto de dados que simula a ocorrência de jatos em colisões próton-próton e chumbo-chumbo, os quais são utilizados para o treinamento dos algoritmos de IA utilizando dois modelos de meios em que onde eles se propagam.
A ideia foi entender o quão sensível o machine learning era ao meio em que ocorria a propagação dos jatos. Um dos meios tem condições iniciais mais complexas e realistas, enquanto o meio padrão do JEWEL é bem mais simples.
Um resultado interessante foi observar que de fato o algoritmo treinado no meio mais realista se sai melhor quando aplicado no meio simples do que o contrário.
Imagem: Comparação esquemática entre a formação de jatos em colisões próton-próton e em colisões de íons pesados. À esquerda, em uma colisão próton-próton, o espalhamento duro produz partons (constituintes fundamentais da matéria que compõem hádrons, como prótons e nêutrons) altamente energéticos que evoluem em chuveiros de partículas, posteriormente reconstruídos como jatos. À direita, em uma colisão núcleo-núcleo, esses partons atravessam o meio quente e denso formado após a colisão. Durante essa propagação, eles interagem com o plasma de quarks e glúons, perdendo energia por meio de processos radiativos e colisionais. Esse fenômeno, conhecido como jet quenching, modifica a estrutura e a energia final dos jatos observados.
O modelo treinado com dados mais complexos, tinham um melhor desempenho e facilidade para analisar as estruturas dos jatos, do que os treinados com dados mais simples. A maior complexidade, também levava a uma maior quantidade de assinaturas ou “pistas” que auxiliam o reconhecimento das estruturas.
Essas mudanças são interessantes para entender a aplicação dessa ferramenta com dados reais. Além desse aspecto, Leonardo também estudou dois tipos diferentes de algoritmos: um Supervisionado, quando o modelo é treinado com dados rotulados, ou seja, os jatos usados no treinamento são separados entre aqueles que sofreram interação com o meio e aqueles que não sofreram; e um Não Supervisionado, que analisa dados não rotulados para identificar se um determinado jato sofreu interação com o meio ou não .
Resultados e próximos passos
Os modelos supervisionados alcançaram desempenho significativo, porém os não supervisionados falharam, não conseguindo classificar os jatos corretamente . O próximo passo da pesquisa é estudar a perda de energia gerada nesses modelos, muito além da classificação de jatos que interagiram ou não com o meio , buscando formas de se encontrar quanto de energia foi perdida no processo com os dados inseridos.
Essa proposta é um grande desafio, , já que a perda de energia não é um dado observável das simulações.
“Foi um tema que eu gostei muito de trabalhar na fenomenologia. Por enquanto, estamos nessa parte de calcular essa perda de energia, ainda em fase de testes”
Leonardo atualmente está no segundo mês de seu doutorado é destaca a importância da experiência no mestrado e o acolhimento dos outros alunos no período de adaptação.
“Eu fiz graduação na USP São Carlos, então não era nem de São Paulo, mas sempre gostei de física de partículas (...), aí eu me interessei pelo trabalho do Marcelo. Quando eu entrei, eu sofri bastante com as diferentes nomenclaturas, um monte de nomes de softwares, programas, é muita coisa no começo. Conforme eu fui desenvolvendo a pesquisa, fui me habituando com as ferramentas, a terminologia da área…”
“Ao mesmo tempo, tenho amigos aqui no HEPIC, também orientados pelo Marcelo (...) que já tinham experiência no JEWEL, então sempre tive muita ajuda por aqui. Isso sempre foi muito bom. Desde o primeiro dia, todo mundo foi muito receptivo, me senti super bem recebido no grupo, gosto muito do HEPIC e acho que o mestrado foi muito bom para eu poder começar o doutorado, porque eu pude me habituar com tudo sem ter o peso de fazer um doutorado direto, então foi uma experiência muito válida para mim como pesquisador”.
