Aprendiendo las fuentes emisoras de hadrones con redes neuronales profundas

Viendo en miniaturas los pequeños fuegos artificiales cósmicos

Cuando los protones se estrellan entre sí a casi la velocidad de la luz, crean una pequeña y efímera bola de fuego de nuevas partículas. Oculta dentro de esta explosión subatómica hay información sobre una de las fuerzas más fundamentales de la naturaleza: la fuerza fuerte que mantiene la materia unida. Este artículo muestra cómo las técnicas modernas de aprendizaje profundo pueden leer patrones sutiles en los datos de estas colisiones para revelar dónde y cómo nacen las partículas, ofreciendo nuevas pistas sobre el comportamiento de la materia en entornos extremos como las estrellas de neutrones.

Por qué importan las distancias diminutas

La fuerza nuclear fuerte une protones y neutrones en los núcleos atómicos y da forma a todo, desde los átomos ordinarios hasta los núcleos densos de estrellas muertas. Los físicos han cartografiado relativamente bien la fuerza entre dos protones, usando décadas de experimentos de dispersión y modelos teóricos. Pero las interacciones que implican partículas más exóticas, como los hiperones (que contienen quarks extraños), siguen siendo mucho más inciertas. Estas partículas poco comunes son difíciles de estudiar directamente, sin embargo tienen un impacto desproporcionado en el comportamiento de la materia a densidades extremas. Para aprender sobre ellas, los investigadores recurren a colisiones de alta energía en aceleradores, donde se producen en abundancia pares de partículas fugaces.

Usando ondulaciones cuánticas como microscopio

En estos experimentos, los científicos no observan directamente los lugares donde nacen las partículas. En su lugar miden con qué frecuencia los pares de partículas emergen con diferentes momentos relativos—esencialmente cuánto están correlacionadas sus trayectorias. Una técnica llamada femtoscopy, inspirada en una idea de la radioastronomía, conecta estas correlaciones tanto con las fuerzas entre las partículas como con la forma de la región desde la que se emiten. Tradicionalmente, los análisis asumían que esta región emisora tenía la apariencia de una nube suave en forma de campana. Sin embargo, estudios anteriores insinuaron que la realidad es más desordenada: decaimientos de partículas intermedias de corta vida pueden crear largas “colas” lejos del centro, lo que significa que la fuente verdadera puede estar lejos de una forma campaniforme.

Poniendo que los datos dibujen su propia imagen

Los autores construyen una nueva forma impulsada por datos para inferir la región emisora sin presuposiciones sobre su forma. Parten de modelos bien probados de la fuerza protón–protón y los usan para calcular cómo una fuente hipotética afectaría las correlaciones observadas. En lugar de elegir una fórmula simple para la fuente, la representan con una red neuronal profunda que toma la distancia como entrada y devuelve la probabilidad de que un par de protones se origine a esa separación. Al diferenciar automáticamente a través del cálculo completo, ajustan los parámetros internos de la red para que la curva de correlación predicha coincida lo más posible con las mediciones experimentales, al tiempo que imponen requisitos físicos básicos como suavidad y no negatividad.

Encontrando una fuente con larga cola

Cuando esta fuente basada en redes neuronales se compara con el modelo convencional en forma de campana, ofrece una descripción mucho mejor de los datos de correlación protón–protón del Gran Colisionador de Hadrones. La fuente recuperada presenta una cola de largo alcance pronunciada: la mayoría de los protones siguen naciendo en una región central compacta, pero una fracción significativa parece provenir de distancias mucho mayores. Este patrón encaja de forma natural con la idea de que muchos protones se crean de manera indirecta, vía resonancias de corta vida que recorren cierta distancia antes de decaer. De manera crucial, la red descubre esta estructura directamente a partir de los datos, sin que los investigadores tengan que adivinar qué resonancias están involucradas ni cuántas hay.

Explorando la materia extraña con una nueva lente

Dado que los hiperones y los protones son similares en masa y contenido de quarks, el equipo puede reutilizar el perfil de emisión de protones aprendido para analizar pares protón–hiperón. Al combinar la fuente impulsada por datos con un modelo para la fuerza protón–Lambda, encuentran que las correlaciones experimentales favorecen un potencial atractor relativamente poco profundo—consistente con resultados iniciales de simulaciones de cuadrícula de la cromodinámica cuántica desde primeros principios. Este enfoque ofrece así una nueva forma, en gran medida libre de supuestos, de acotar interacciones poco conocidas en el sector fuerte. En términos sencillos, el estudio muestra que el aprendizaje profundo puede convertir ondulaciones cuánticas sutiles en una imagen clara de dónde nacen las partículas, afinando nuestra visión de la fuerza fuerte y allanando el camino para futuros mapas tridimensionales de la región emisora de partículas en colisiones de iones pesados.

Cita: Wang, L., Zhao, J. Learning hadron emitting sources with deep neural networks. Commun Phys 9, 90 (2026). https://doi.org/10.1038/s42005-026-02530-w

Palabras clave: fuerza nuclear fuerte, aprendizaje profundo, colisiones de alta energía, femtoscopia, interacción hiperón-nucleón