Apprendere le sorgenti emittenti adroni con reti neurali profonde

Scrutare i minuscoli fuochi d’artificio cosmici

Quando i protoni si scontrano quasi alla velocità della luce, generano una piccola e fugace sfera di particelle. Nascosta all’interno di questo scoppio subatomico c’è informazione su una delle forze più fondamentali della natura: la forza forte che tiene insieme la materia. Questo articolo mostra come le moderne tecniche di deep learning possano leggere pattern sottili nei dati di queste collisioni per rivelare dove e come nascono le particelle—offrendo nuovi indizi sul comportamento della materia in ambienti estremi come le stelle di neutroni.

Perché contano distanze minime

La forza nucleare forte lega protoni e neutroni nei nuclei atomici e determina tutto, dagli atomi ordinari ai densi nuclei delle stelle morte. I fisici hanno mappato abbastanza bene la forza tra due protoni, grazie a decenni di esperimenti di scattering e a modelli teorici. Ma le interazioni che coinvolgono particelle più esotiche, come gli iperoni (che contengono quark strani), rimangono molto più incerte. Queste particelle rare sono difficili da studiare direttamente, eppure influenzano considerevolmente il comportamento della materia a densità estreme. Per imparare a conoscerle, i ricercatori si rivolgono alle collisioni ad alta energia negli acceleratori, dove coppie di particelle effimere sono prodotte in abbondanza.

Usare increspature quantistiche come microscopio

In questi esperimenti gli scienziati non osservano direttamente i luoghi di nascita delle particelle. Misurano invece quanto spesso coppie di particelle emergono con differente momento relativo—in sostanza quanto sono correlate le loro traiettorie. Una tecnica chiamata femtosopia, ispirata a un’idea della radioastronomia, collega queste correlazioni sia alle forze tra le particelle sia alla forma della regione da cui vengono emesse. Tradizionalmente, le analisi assumevano che questa regione di emissione fosse una nuvola liscia a forma di campana. Tuttavia studi precedenti hanno suggerito che la realtà è più disordinata: decadimenti di particelle intermedie a vita breve possono creare lunghe “code” lontano dal centro, per cui la sorgente reale può discostarsi molto dalla forma a campana.

Lasciare che siano i dati a tracciare l’immagine

Gli autori costruiscono un nuovo metodo guidato dai dati per inferire la regione di emissione senza presupporne la forma. Partono da modelli ben testati della forza protone–protone e li usano per calcolare come una sorgente ipotetica influenzerebbe le correlazioni osservate. Invece di scegliere una formula semplice per la sorgente, la rappresentano con una rete neurale profonda che prende la distanza come input e fornisce la probabilità che una coppia di protoni abbia origine a quella separazione. Differenziando automaticamente l’intero calcolo, aggiustano i parametri interni della rete in modo che la curva di correlazione prevista corrisponda il più possibile alle misure sperimentali, imponendo al contempo requisiti fisici di base come la regolarità e la non negatività.

Trovare un luogo di nascita con lunga coda

Quando questa sorgente basata su rete neurale viene confrontata con il modello convenzionale a campana, fornisce una descrizione nettamente migliore dei dati di correlazione protone–protone del Large Hadron Collider. La sorgente ricostruita possiede una marcata coda a lunga distanza: la maggior parte dei protoni nasce ancora in una regione centrale compatta, ma una frazione significativa sembra provenire da distanze molto maggiori. Questo schema si sposa naturalmente con l’idea che molti protoni siano creati indirettamente, tramite risonanze a vita breve che percorrono una distanza prima di decadere. Fondamentalmente, la rete scopre questa struttura direttamente dai dati, senza che i ricercatori debbano ipotizzare quali risonanze siano coinvolte o quante siano.

Esplorare la materia strana con una nuova lente

Poiché iperoni e protoni sono simili per massa e contenuto di quark, il gruppo può riutilizzare il profilo di emissione del protone appreso per analizzare coppie protone–iperone. Combinando la sorgente guidata dai dati con un modello per la forza protone–Lambda, trovano che le correlazioni sperimentali favoriscono un potenziale attrattivo relativamente poco profondo—coerente con risultati iniziali provenienti da simulazioni di cromodinamica quantistica su reticolo da primi principi. Questo approccio offre dunque un nuovo modo, in larga parte privo di assunzioni, per vincolare interazioni poco conosciute nel settore forte. In termini chiari, lo studio dimostra che il deep learning può trasformare sottili increspature quantistiche in un’immagine nitida del luogo di nascita delle particelle, affinando la nostra visione della forza forte e aprendo la strada a future mappe tridimensionali della regione emittente nelle collisioni ione-ione.

Citazione: 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

Parole chiave: forza nucleare forte, deep learning, collisioni ad alta energia, femtoscopia, interazione aloneutrone-iperon