Cosmos Week
IA de autoaprendizagem separa jatos de partículas do ruído de fundo em colisões simuladas de íons pesados
FísicaEdição em portuguêsJornalismo científicoCobertura jornalística

IA de autoaprendizagem separa jatos de partículas do ruído de fundo em colisões simuladas de íons pesados

Uma equipe de físicos e cientistas da computação liderada por pesquisadores do Laboratório Nacional Brookhaven do Departamento de Energia dos EUA desenvolveu uma nova abordagem de.

Fonte original citada e enquadrada editorialmente pelo Cosmos Week. Phys. org Physics
Assinatura editorialRedação do Cosmos Week
Publicado13 nov 2026 17h40
Atualizado2026-11-13
Tipo de coberturaJornalismo científico
Nível de evidênciaCobertura jornalística
Leitura4 min de leitura

Pontos-chave

  • Em foco: Uma equipe de físicos e cientistas da computação liderada por pesquisadores do Laboratório Nacional Brookhaven do Departamento de Energia dos EUA
  • Detalhe: Cobertura jornalística: verificar documentação técnica primária
  • Leitura editorial: reportagem científica; quando possível, confira a fonte primária citada.
Texto completo

Uma equipe de físicos e cientistas da computação liderada por pesquisadores do Laboratório Nacional Brookhaven do Departamento de Energia dos EUA desenvolveu uma nova abordagem de inteligência artificial que aprende por conta própria a separar importantes altas energias.

No Brookhaven Lab, os físicos recriaram as condições do universo primitivo que produzem o QGP, uma "sopa" de quarks e glúons livres, em colisões de íons pesados ​​no Relativistic Heavy Ion Collider (RHIC), uma instalação do DOE Office of Science para pesquisas em física nuclear.

Os físicos usam jatos, sprays colimados de partículas de alta energia produzidas em colisões relativísticas de íons pesados ​​– como uma das melhores sondagens do QGP para obter mais informações sobre como os quarks e os glúons se comportam e sobre a força mais forte da natureza. A nova abordagem de IA da equipe enfrenta esse desafio aprendendo a distinguir os sinais dos jatos do fundo circundante de forma mais eficaz do que os métodos convencionais, sem depender de exemplos pré-rotulados.

Num artigo publicado recentemente na Scientific Reports, a equipa, que incluiu investigadores da Universidade de Columbia e da Universidade do Colorado Boulder, descreve um método generativo de IA que separa o sinal dos jatos do fundo da colisão, sem exigir exemplos emparelhados. Este trabalho mostra o primeiro uso de um modelo "desemparelhado e não supervisionado" que aprendeu diretamente a partir de dados simulados de colisão física, em vez de rótulos "isto ou aquilo" fornecidos pelos cientistas.

O detector vê uma ‘imagem’ aglomerada na qual o sinal que nos interessa está enterrado dentro de uma densa pulverização de outras partículas”, disse Go. Nosso método de IA aprende a dividir essa imagem em duas partes - o sinal do jato e o fundo - sem exigir exemplos individuais de 'respostas' que não estão disponíveis em dados experimentais reais.

O pesquisador precisaria primeiro criar um conjunto de dados de treinamento: tirar a imagem de um animal, mostrá-la a um humano e perguntar se é um gato ou um cachorro.

Fonte