Investigadores han demostrado que una red neuronal convolucional (CNN) puede identificar y caracterizar señales de materia oscura de dos componentes en el Gran Colisionador de Hadrones (LHC). Utilizando sondas mono-jet y mono-Z, la CNN no solo detecta la presencia de dos partículas de materia oscura, sino que también es capaz de inferir sus masas y espines (0 o 1/2), basándose en el análisis a nivel de detector. Este trabajo representa una prueba de concepto conceptual, sentando las bases para futuras investigaciones.

La materia oscura, que constituye aproximadamente el 27% del universo, sigue siendo uno de los mayores misterios de la física. Aunque el Modelo Estándar de la física de partículas describe con éxito las interacciones de la materia ordinaria, no incluye ninguna partícula candidata para la materia oscura. La hipótesis de que la materia oscura podría estar compuesta por múltiples tipos de partículas es una extensión natural de los modelos existentes, ofreciendo soluciones a ciertas anomalías y proporcionando una imagen más completa de la composición del universo. La capacidad de distinguir entre diferentes componentes de materia oscura es crucial para validar estas teorías.

El método empleado se basa en el aprendizaje automático, específicamente en una CNN, para analizar los datos de colisiones generados en el LHC. Las sondas mono-jet y mono-Z se refieren a eventos en los que se produce un jet o un bosón Z junto con una gran cantidad de energía transversal perdida, lo que podría indicar la producción de partículas de materia oscura que no interactúan con los detectores. La CNN procesa estos patrones complejos, aprendiendo a identificar las características distintivas asociadas con la producción de dos tipos de partículas de materia oscura. Aunque este estudio no incluyó un análisis de señal-fondo, su éxito en la caracterización de las propiedades de las partículas (masa y espín) a partir de los datos simulados a nivel de detector es un paso prometedor.

Este avance sugiere un nuevo camino para la búsqueda de materia oscura en experimentos de alta energía. La capacidad de las redes neuronales para extraer información detallada sobre las propiedades de las partículas de materia oscura podría acelerar el descubrimiento y la caracterización de modelos más complejos. El siguiente paso crítico será integrar el análisis de señal-fondo para evaluar la viabilidad de esta técnica en un entorno experimental real, donde las señales de materia oscura deben distinguirse de un fondo mucho más abundante de procesos del Modelo Estándar.