Sintesi del progetto
GEV-AI sviluppa generatori di eventi basati su Machine Learning per simulare interazioni tra particelle in contesti di fisica nucleare e delle alte energie. L’approccio basato su AI permette di generare rapidamente eventi sintetici che preservano le correlazioni fisiche e riproducono fedelmente sia le regioni osservate dal rivelatore sia quelle non accessibili a causa di inefficienze strumentali.
Obiettivi
Il progetto mira a ridurre drasticamente il costo computazionale della produzione di eventi simulati e a estendere il modello generativo alle regioni non misurate, minimizzando la dipendenza dal modello fisico e integrando stati finali diversi per massimizzare la copertura dei dati. L’obiettivo a lungo termine è consolidare i modelli generativi come nuovo standard per la simulazione in fisica delle particelle.
Problemi e necessità
Gli esperimenti moderni generano enormi volumi di pseudo-eventi necessari per analisi, calibrazioni e stime di fondo. La produzione e lo storage di questi dataset rappresentano un collo di bottiglia per le infrastrutture di calcolo. Servono soluzioni più veloci, scalabili e indipendenti dal modello, soprattutto per identificare segnali rari legati a nuova fisica o materia oscura.
Soluzioni sviluppate
Il progetto ha sviluppato un framework di Machine Learning dedicato alla gestione delle rivelazioni imperfette degli esperimenti. Per la ricerca di segnali di Dark Matter nel rivelatore BDX del Jefferson Lab è stato invece adottato un framework di anomaly detection non supervisionato. Gli algoritmi sono addestrati su grandi dataset generati via Monte Carlo, resi disponibili tramite risorse HPC.
Impatti
L’uso di modelli AI riduce tempi e costi della ricerca fondamentale, mantenendo elevata fedeltà fisica. Il progetto forma nuovi ricercatori con competenze trasferibili all’industria, rafforzando l’ecosistema dedicato all’applicazione dell’AI nella fisica. Una volta completati i test, i generatori saranno applicati ai dati reali, favorendo risultati guidati completamente da algoritmi di intelligenza artificiale.
Settori di applicazione
Oltre al settore della Fisica delle Alte Energie, le tecniche sviluppate sono applicabili più in generale ai campi dell’Intelligenza Artificiale, del Software engineering, e del Future HPC, compresi tutti i domini che richiedano generazione rapida di dati sintetici o rilevamento di anomalie in dataset complessi.
