Una tesis que traslada la experiencia de neutrinos al sector industrial

El pasado viernes 27 de noviembre, Sebastian Pina Otey defendió con éxito su tesis doctoral titulada Deep learning y técnicas bayesianas aplicadas al Big Data en la industria y las oscilaciones de neutrinos. Este doctorado, además de estar centrado en el ámbito de la física, tiene una vertiente industrial a través de AIA mediante el programa de Doctorats Industrials de la Generalitat. Con Vicens Gaitan como codirector y representante de AIA junto a Thorsten Lux, investigador principal del grupo de neutrinos del Institut de Física d’Altes Energies (IFAE), Sebastian ha podido desarrollar un proyecto que conecta el problema de la oscilación de neutrinos (introducidos en la entrada anterior del blog) junto con tecnología puntera de Deep Learning.

La tesis se ha centrado en proponer nuevas formas de analizar datos y extraer información relevante de ellos para el experimento de neutrinos T2K (Tokai to Kamioka) ubicado en Japón. En los experimentos de física de partículas, y en particular en los experimentos de neutrinos, el análisis de datos tiene tres componentes principales: procesar datos directos de los detectores, simular modelos teóricos y determinar los parámetros de dichos modelos. Estos tres puntos son de vital importancia para un tratamiento riguroso y científicamente correcto de obtención de resultados. Sebastian ha impactado en los tres, introduciendo diferentes pruebas de conceptos de nuevas tecnologías.

Primeramente, se ha implementado con éxito un algoritmo de redes neuronales sobre grafos para auxiliar la detección de señales ambiguas no-físicas en las simulaciones de un futuro detector de T2K. Esto permite reconstruir el efecto del neutrino dentro del detector correctamente, incrementando el rendimiento comparado con técnicas tradicionales. (El trabajo ha sido enviado a la revista Physical Review D y está en proceso de evaluación. La prepublicación se puede encontrar en https://arxiv.org/abs/2009.00688.)

En segundo lugar, Sebastian ha combinado la tecnología de los normalizing flows, redes neuronales invertibles que permiten evaluar y generar datos de una distribución de probabilidad, con técnicas estadísticas clásicas, rejection sampling, bajo el algoritmo de Exhaustive Neural Importance Sampling (ENIS). En particular, junto a sus supervisores han aplicado ENIS para generar datos de un evento de neutrinos típico en T2K, la llamada interacción charged-current quasi-elastic (CCQE). Este trabajo fue publicado el 16 de Julio en Physical Review D https://journals.aps.org/prd/abstract/10.1103/PhysRevD.102.013003.

Por último, tal y como fue comentada en la anterior entrada del blog, los normalizing flows fueron utilizados para determinar parámetros del modelo de oscilación de dos sabores de neutrinos. Dicho trabajo también fue publicado en Physical Review D el 2 de Junio, https://journals.aps.org/prd/abstract/10.1103/PhysRevD.101.113001.

Sin embargo, la experiencia ganada en la aplicación un tanto exótica de oscilaciones de neutrinos fue también trasladada al ámbito industrial. Sebastian y Vicens trabajaron junto con Red Eléctrica Española a través de Elewit y pudieron mostrar el impacto que pueden tener estas técnicas y el valor que pueden añadir para potenciales proyectos de nuestros clientes. Con todo ello, Sebastian concluye nuestro primer doctorado industrial satisfactoriamente, potenciando la relación que tiene AIA con la entidad del IFAE, y muestra la aportación que el sector industrial puede hacer en la investigación pura.

 

Comments are closed.