Ledakan data di Large Hadron Collider membuat CERN mencari cara baru untuk memangkas proses analisis yang selama ini sangat rumit. Salah satu fokusnya kini adalah muon, partikel subatom yang hanya muncul sesaat setelah tabrakan dan kerap tenggelam di tengah kebisingan data yang jauh lebih besar.
Kebutuhan itu makin mendesak karena muon punya nilai penting dalam fisika partikel. Partikel ini sering dipakai untuk mencari petunjuk fisika baru, termasuk lewat pengukuran momen magnetik anomali atau g-2 yang dapat menunjukkan penyimpangan dari prediksi teori.
Di fasilitas CERN di Swiss, tabrakan berenergi tinggi menghasilkan aliran partikel yang cepat meluruh. Situasi itu membuat pelacakan muon menjadi pekerjaan yang sulit, apalagi muon hanya bertahan beberapa mikrodetik sebelum meluruh menjadi elektron, neutrino muon, dan antineutrino elektron.
Selama ini, pelacakan muon umumnya berjalan lewat dua tahap. Sistem harus lebih dulu memisahkan muon dari noise, lalu algoritme lain menelusuri lintasannya dan menghitung momentum transversalnya, yaitu gerak tegak lurus terhadap berkas tabrakan.
Masalahnya, kesalahan pada tahap awal bisa merusak hasil tahap berikutnya. Karena itu, para ilmuwan di Italia mencoba menyatukan proses tersebut ke dalam satu alur kerja berbasis pembelajaran mesin agar deteksi dan rekonstruksi lintasan tidak lagi bergantung pada rangkaian langkah yang terpisah.
Model AI yang dicoba
Studi yang terbit di jurnal Machine Learning: Science and Technology menguji pendekatan itu dengan simulasi sederhana detektor ATLAS di CERN. Tujuannya adalah melihat apakah algoritme pembelajaran mesin bisa membaca jejak partikel dengan lebih efisien dibanding metode tradisional.
Model yang dipilih adalah Graph Attention Network atau GAT. Sistem ini dapat menandai setiap sinyal detektor sebagai titik sekaligus memetakan kemungkinan lintasan, sehingga proses pelacakan dan rekonstruksi bisa dijalankan dalam satu pipeline end-to-end.
Dalam simulasi toy berbasis geometri dan noise muon-spektrometer ATLAS, model tersebut menunjukkan hasil yang menjanjikan. Peningkatannya terlihat pada klasifikasi hit dan estimasi momentum transversalnya.
Para penulis studi menilai pendekatan diferensiabel dan end-to-end seperti ini berpotensi menjadi alternatif bagi algoritme pelacakan tradisional. Dorongan untuk mencari cara baru juga masuk akal karena kebutuhan pelacakan di LHC diperkirakan makin berat seiring naiknya luminositas dan kompleksitas data.
Masih jauh dari kondisi nyata
Meski hasil simulasi menggembirakan, lingkungan detektor sesungguhnya jauh lebih sulit ditangani. Tumpang tindih lintasan partikel dan berbagai ketidaksempurnaan lain membuat penerapan di dunia nyata belum bisa dianggap sederhana.
Arah riset ini juga sejalan dengan langkah CERN yang semakin serius mengintegrasikan AI ke dalam aktivitas ilmiah dan operasionalnya. Dalam blog post November 2025, Joachim Mnich, direktur riset dan komputasi CERN, menyebut AI kini sudah masuk ke hampir semua sektor organisasi.
Mnich menulis bahwa AI tidak hanya mengubah riset, tetapi juga membantu produktivitas dan efisiensi. Ia bahkan mengatakan CERN tidak bisa hidup tanpa AI, sebuah pernyataan yang menegaskan besarnya peran teknologi ini di laboratorium fisika terbesar di dunia.
Bagi peneliti partikel, dukungan AI menjadi semakin penting saat ATLAS dan CMS bersiap menghadapi ledakan data dari upgrade. Jika pendekatan seperti GAT terus berkembang, pelacakan muon yang selama ini rawan error dapat menjadi lebih cepat, lebih bersih, dan lebih siap dipakai untuk mencari fisika baru.
