Quando as máquinas decidem o que importa: IA procura nova física no fluxo de dados do colisor

A cada segundo, dentro do anel de 27 quilômetros do Grande Colisor de Hádrons, ocorrem 40 milhões de colisões de partículas. A esmagadora maioria desses eventos jamais será salva. Há décadas, engenheiros constroem filtros que decidem o que gravar e o que descartar para sempre. Agora, essas decisões, tomadas em frações de microssegundo, são cada vez mais confiadas a redes neurais. E não se trata de acelerar tarefas de rotina, mas de tentar encontrar algo que os físicos nem sabem como procurar.

A física de partículas atravessa o que os especialistas chamam com delicadeza de "crise silenciosa". O Modelo Padrão, a teoria fundamental que descreve as partículas e forças conhecidas, funciona impecavelmente. Cada novo experimento no colisor confirma suas previsões com uma precisão assustadora. O problema é que o modelo é sabidamente incompleto: não explica a matéria escura nem a energia escura, e não se concilia com a gravidade. Teóricos propõem extensões há décadas: supersimetria, dimensões extras, novas partículas. Experimentalistas construíram instalações gigantescas para testá-las. Mas, apesar dos petabytes de dados coletados, não houve nenhum avanço decisivo. Como observou o jornalista Matthew Hutson na IEEE Spectrum, "existem componentes-chave da realidade que estamos perdendo por completo".

É aqui que a inteligência artificial entra na equação, mas não do jeito que se poderia pensar. Não é mais uma história de "IA para tudo", em que a tecnologia apenas acelera o processamento de dados ou automatiza tarefas de rotina. Os pesquisadores não pedem às redes neurais que verifiquem hipóteses existentes. Pedem que encontrem anomalias: qualquer desvio do esperado que possa indicar uma "nova física" além do Modelo Padrão. Na prática, é aprendizado não supervisionado em estado puro: o algoritmo não sabe o que procura, e é esse o ponto central. Em vez de confirmar teorias nascidas da imaginação humana, a máquina pode destacar padrões cuja existência ninguém suspeitava.

A implementação técnica é um feito de engenharia à parte. As redes neurais que analisam os dados do colisor não rodam em servidores potentes de um data center. Elas funcionam diretamente em arranjos de portas programáveis (chips FPGA) conectados aos detectores. Esses chips têm memória e poder de processamento limitados, então modelos complexos precisam ser literalmente "espremidos" até um tamanho que caiba na lógica do hardware. Hutson cita uma frase reveladora de um teórico dirigida a um engenheiro: "Qual dos meus algoritmos vai caber no seu maldito FPGA?". Por trás da frase há uma tensão real entre as ambições da ciência e as limitações do hardware.

O que acontece agora no CERN se encaixa numa tradição de séculos. Cada instrumento de observação realmente novo na história da ciência não apenas respondeu a perguntas existentes: permitiu fazer novas. O telescópio de Galileu revelou as luas de Júpiter, cuja existência ninguém suspeitava. Os primeiros microscópios abriram mundos inteiros de microrganismos invisíveis a olho nu. Por analogia, a IA nos detectores do colisor não é só um filtro mais rápido. É uma forma fundamentalmente nova de olhar os dados, livre dos preconceitos e das expectativas do experimentador. A máquina não sabe o que "deveria" encontrar e, por isso, pode notar o que uma pessoa descartaria como ruído.

A importância dessa abordagem vai muito além da física de partículas. Se uma rede neural consegue detectar anomalias desconhecidas num fluxo de milhões de eventos por segundo, o mesmo princípio vale para astronomia, genômica, climatologia e qualquer área em que o volume de dados superou há muito tempo a capacidade de análise humana. Estamos acostumados a pensar na IA como uma ferramenta que responde às nossas perguntas. Mas é bem mais interessante quando a IA ajuda a formular perguntas que não teríamos pensado em fazer.

É claro que a abordagem tem limitações. Uma anomalia nos dados ainda não é uma descoberta. Uma rede neural pode apontar um desvio estatístico, mas só um humano consegue explicar seu significado físico. Além disso, comprimir modelos até o nível de FPGA inevitavelmente reduz a precisão, e alguns sinais sutis serão perdidos de qualquer maneira. Ainda assim, a própria formulação do problema impressiona. Se a crise da física moderna não é tanto falta de dados quanto uma limitação da imaginação humana, entregar parte das funções de "observação" a uma máquina parece não uma capitulação, mas uma estratégia sensata. A IA não vai descobrir a nova física, mas pode muito bem mostrar às pessoas onde olhar.