Los físicos de partículas suelen construir un modelo de aprendizaje automático nuevo para cada análisis que hacen en el Gran Colisionador de Hadrones, y cada uno se entrena con simulaciones hechas a medida y se valida desde cero. EVENET, descrito en un artículo revisado por pares en Nature Machine Intelligence, prueba el enfoque que ha funcionado con los modelos de lenguaje y de proteínas: entrenar un único modelo grande una vez y luego adaptarlo a bajo coste a muchas tareas. El resultado principal es que también funciona con datos reales del detector, no solo con simulaciones.
El modelo trata cada colisión como una nube desordenada de objetos reconstruidos, como chorros, electrones y muones, y la pasa por una red troncal de tipo transformer compartida con cabezales de salida intercambiables para clasificar el proceso, asociar las partículas con las partículas madre de las que proceden, agruparlas y reconstruir las que faltan, como los neutrinos. Se preentrenó en dos fases con unos 500 millones de colisiones simuladas, conservadas de unos 3.000 millones generadas: primero aprendiendo a rellenar partículas enmascaradas y después añadiendo objetivos físicos etiquetados. Eso requirió del orden de 100.000 horas de GPU en 512 chips Nvidia A100 del superordenador Perlmutter. Ajustarlo después para una sola tarea necesita entre unas pocas y decenas de horas de GPU.
Los resultados son coherentes en cuatro pruebas. En la búsqueda de una partícula pesada hipotética, mejoró la mejor sensibilidad a la señal en torno a un 20% frente a XGBoost, una herramienta habitual en el campo, y en torno a un 10% frente a TabPFN, un modelo preentrenado para datos tabulares. En una búsqueda de desintegraciones exóticas del bosón de Higgs, con el 5% del conjunto de entrenamiento de referencia superó la mejor puntuación que el modelo especializado SPANet logró con el 150%. En una medición del entrelazamiento cuántico en pares de quarks top, alcanzó una precisión del 3,33% frente a una referencia anterior del 5,26%. La prueba más convincente usó datos abiertos de 2016 del experimento CMS: al buscar el mesón Upsilon, una partícula conocida, en una región difícil, encontró la señal con una significación mediana de 7,6 sigma, por encima de los 6,4 sigma publicados antes. Una versión entrenada sin preentrenamiento se quedó en 1,5.
La lección de fondo tiene que ver con el coste. Una factura de preentrenamiento alta y única, amortizada al reutilizar el modelo en muchos análisis, es el mismo trato que justifica los modelos de lenguaje generalistas, y el artículo muestra que se mantiene en un campo con normas de prueba estrictas. Redescubrir una partícula conocida es una comprobación de cordura, no un descubrimiento, pero es la comprobación adecuada para un modelo entrenado con simulaciones.
Los autores son francos sobre lo que falta. EVENET aún no sigue las incertidumbres del detector y de la teoría con el rigor que exige un resultado de física, sus cabezales de salida no están obligados a coincidir entre sí y no se ha sometido a pruebas de estrés donde la simulación y los datos reales discrepan mucho. Sus datos de preentrenamiento usaron además un detector genérico simplificado y sin colisiones superpuestas. La verdadera prueba será que lo adopten las grandes colaboraciones del LHC, que exigen justo esas comprobaciones.