CERN mulai menempatkan kecerdasan buatan di jalur yang sangat spesifik: membantu memburu muon di tengah banjir data dari Large Hadron Collider. Langkah ini diarahkan untuk membuat analisis partikel subatom berjalan lebih cepat dan lebih akurat, terutama saat volume data collider terus membesar.
Muon menjadi target penting karena partikel ini sering dipakai dalam pencarian tanda-tanda fisika baru. Namun, muon hanya bertahan beberapa mikrodetik sebelum meluruh menjadi elektron, neutrino muon, dan antineutrino elektron, sehingga pelacakannya menuntut proses yang cepat dan presisi.
Tekanan data di collider makin berat
Di fasilitas CERN di Swiss, tabrakan berenergi tinggi menghasilkan hujan partikel yang cepat meluruh dan meninggalkan kebisingan data yang besar. Dalam kondisi seperti itu, tugas memisahkan jejak muon dari gangguan latar menjadi salah satu pekerjaan paling rumit.
Kebutuhan ini diperkirakan akan semakin besar ketika collider menerima peningkatan daya dan volume data yang lebih tinggi. Situasi tersebut membuat metode pelacakan lama semakin dituntut bekerja tanpa banyak kesalahan.
Salah satu konteks terpenting bagi studi muon adalah pengukuran momen magnetik anomali atau g-2. Pengukuran ini dipakai untuk mencari kemungkinan penyimpangan dari prediksi teori, sehingga kualitas pelacakan menjadi sangat menentukan.
AI dipakai untuk memangkas langkah pelacakan
Sebuah studi baru di jurnal Machine Learning: Science and Technology menunjukkan bahwa algoritme pembelajaran mesin dapat menyederhanakan proses pelacakan muon. Penelitian itu memakai simulasi sederhana detektor ATLAS di CERN untuk menguji apakah AI dapat membaca jejak partikel dengan lebih efisien.
Selama ini, pelacakan muon dilakukan melalui dua tahap yang memakan waktu. Sistem harus memisahkan muon dari noise terlebih dahulu, lalu algoritme lain menelusuri lintasan partikel, termasuk momentum transversalnya yang bergerak tegak lurus terhadap berkas tabrakan.
Masalah muncul ketika kesalahan pada tahap awal merusak hasil tahap berikutnya. Karena itu, tim ilmuwan di Italia mencoba menggabungkan keduanya ke dalam satu alur kerja berbasis pembelajaran mesin.
Graph Attention Network menjadi inti pendekatan
Model yang digunakan adalah Graph Attention Network atau GAT. Pendekatan ini memungkinkan setiap sinyal detektor diberi titik dan sekaligus dipetakan kemungkinan lintasannya.
Cara kerja itu dirancang agar deteksi dan rekonstruksi jalur partikel berlangsung dalam satu alur end-to-end. Dalam simulasi toy yang dibangun dari geometri dan noise muon-spektrometer ATLAS, model tersebut menunjukkan peningkatan yang nyata dibanding metode tradisional.
Sistem ini juga tampil menjanjikan dalam klasifikasi hit dan estimasi momentum transversalnya. Para penulis studi menilai pendekatan yang diferensiabel dan end-to-end seperti ini berpeluang menjadi alternatif bagi algoritme pelacakan tradisional.
Masih jauh dari kondisi detektor sesungguhnya
Walau hasil simulasi terlihat menggembirakan, dunia nyata tetap jauh lebih sulit. Lingkungan detektor memiliki tingkat kerumitan yang lebih tinggi, termasuk tumpang tindih lintasan partikel dan ketidaksempurnaan lain yang tak terhindarkan.
Dorongan untuk memakai AI sejalan dengan strategi CERN yang ingin mengintegrasikan teknologi ini ke dalam aktivitas ilmiah dan operasionalnya. Dalam blog post November 2025, Joachim Mnich, direktur riset dan komputasi CERN, menyebut AI sudah masuk ke hampir semua sektor organisasi.
Mnich menulis bahwa AI tidak hanya mengubah riset, tetapi juga membantu produktivitas dan efisiensi. Ia bahkan menyatakan CERN tidak bisa hidup tanpa AI, sebuah penegasan bahwa teknologi ini kini dipandang sebagai bagian penting dari masa depan laboratorium fisika terbesar di dunia.
Bagi peneliti partikel, dukungan AI dapat menjadi kunci untuk menghadapi ledakan data dari upgrade ATLAS dan CMS. Jika model seperti ini terus berkembang, pelacakan muon yang selama ini rawan error dapat berubah menjadi proses yang lebih cepat, lebih bersih, dan lebih siap untuk fisika baru.