Adaptación de modelos visión‑lenguaje para la clasificación de eventos de neutrinos en física de altas energías

Por qué importan las partículas diminutas y las máquinas inteligentes

Los neutrinos son partículas fantasmales que atraviesan el universo y rara vez interactúan con algo, pero contienen pistas sobre cómo evolucionaron la materia y el cosmos. Los experimentos modernos de neutrinos usan detectores gigantes que registran estas colisiones raras como imágenes de alta resolución, produciendo más datos de los que los humanos pueden analizar por sí solos. Este estudio explora cómo un nuevo tipo de inteligencia artificial, llamado modelo visión‑lenguaje, puede ayudar a los científicos a clasificar y comprender estos eventos con mayor precisión y de forma más comprensible para las personas.

Convertir trazas de partículas en imágenes

Cuando un neutrino choca con átomos dentro de un detector de argón líquido, deja detrás trayectorias de partículas cargadas, un poco como estelas de condensación de aviones en el cielo. El detector convierte esas trayectorias en imágenes detalladas en blanco y negro desde distintos ángulos. Los investigadores construyeron un conjunto de datos simulado y realista de tales imágenes, que representan interacciones de distintos tipos de neutrinos, así como una clase de fondo donde el tipo de neutrino no puede identificarse de forma limpia. Estas imágenes constituyen el material bruto para enseñar a las máquinas a distinguir un tipo de interacción de otro, un paso clave para estudiar cómo los neutrinos cambian de sabor mientras viajan.

Dar a la IA tanto ojos como palabras

Los sistemas tradicionales de reconocimiento de imágenes en física se basan en redes neuronales convolucionales o en transformadores de visión más recientes, que son potentes pero se comportan como cajas negras que devuelven números sin explicación. El equipo, en cambio, adaptó un gran modelo visión‑lenguaje creado inicialmente por Meta, que puede procesar imágenes y texto conjuntamente y generar respuestas escritas. Afinaron este modelo con las imágenes de neutrinos usando un método eficiente que ajusta solo una pequeña fracción de sus miles de millones de parámetros internos. Durante el entrenamiento, el modelo vio pares de imágenes del detector junto con indicaciones sobre qué patrones marcan cada tipo de interacción, como trazas largas y estrechas o chubascos difusos, y aprendió a asignar cada evento a una de tres categorías.

Cómo se evaluó el modelo

Para juzgar la eficacia de este enfoque, los investigadores compararon el modelo visión‑lenguaje con dos alternativas sólidas: una red convolucional diseñada a medida y un gran transformador de visión que solo analiza imágenes. Los tres modelos se entrenaron con los mismos datos simulados del detector y luego se evaluaron con eventos reservados que nunca habían visto. El equipo midió la precisión y estadísticas relacionadas, y para el modelo visión‑lenguaje también derivaron puntuaciones de confianza a partir de sus probabilidades internas sobre las tres clases. Además, exigieron más a los modelos degradando la resolución de las imágenes, emulando detectores con menos canales de lectura o datos comprimidos, y comprobaron si el sistema seguía comportándose de forma sensata con indicaciones (prompts) menos detalladas.

Lo que revelaron los modelos

El modelo visión‑lenguaje igualó o superó ligeramente al transformador de visión en la clasificación correcta de eventos y superó claramente a la red convolucional, a pesar de actualizar muchos menos parámetros durante el entrenamiento. Ambos sistemas basados en transformadores se mantuvieron robustos cuando las imágenes se redujeron de resolución, mientras que el rendimiento del modelo convolucional cayó bruscamente. Un beneficio distintivo del modelo visión‑lenguaje es que también puede generar explicaciones en lenguaje natural vinculadas a rasgos visibles en las imágenes del evento, como señalar una traza larga y recta que parece un muón o la ausencia de tal traza en eventos de corriente neutra. Aunque estas explicaciones no exponen literalmente los mecanismos internos del modelo, ofrecen a los físicos una ventana más intuitiva sobre por qué se tomó una decisión que los simples números o mapas de calor.

Mirando hacia el futuro de la física y la IA

El estudio concluye que los grandes modelos visión‑lenguaje, cuando se adaptan con cuidado, pueden servir como herramientas versátiles para experimentos de neutrinos, combinando una elevada capacidad de clasificación con descripciones interpretables en texto. Son más exigentes computacionalmente que redes más simples, por lo que los modelos ligeros seguirán siendo preferidos para tareas en tiempo real o con recursos limitados. Sin embargo, para análisis offline donde la comprensión y la confianza son vitales, estos modelos multimodales ofrecen una vía prometedora para construir sistemas “fundación” reutilizables que puedan afinarse para nuevos detectores y datos con relativamente poco trabajo adicional. De este modo, la asociación entre la física de partículas y la IA avanzada podría ayudar a los científicos a leer las señales débiles de los neutrinos con mayor claridad y confianza.

Cita: Sagar, D., Yu, K., Yankelevich, A. et al. Adapting vision-language models for neutrino event classification in high-energy physics. Commun Phys 9, 186 (2026). https://doi.org/10.1038/s42005-026-02688-3

Palabras clave: clasificación de neutrinos, modelo visión‑lenguaje, detector de argón líquido, física de altas energías, aprendizaje automático en física