Um novo estudo usa inteligência artificial para investigar um dos maiores mistérios da física: a origem da massa dos neutrinos. Crédito: CERN 
Roberta Duarte 19/07/2026 21:16 5 min
Os neutrinos estão entre as partículas fundamentais mais leves conhecidas e interagem pouco com a matéria. Durante décadas, o Modelo Padrão da física de partículas considerou que essas partículas não possuíam massa, assim como os fótons. Com isso, a ideia de que os neutrinos poderiam viajar à velocidade da luz se popularizou.
No entanto, a descoberta do fenômeno de oscilação de neutrinos demonstrou que essas partículas podem mudar de um tipo para outro durante sua propagação. Esse processo só é possível se os neutrinos possuírem massa diferente de zero e, com isso, os neutrinos não poderiam ter uma velocidade igual à da luz.
Pesquisadores desenvolveram um sistema capaz de analisar diferentes propriedades de partículas hipotéticas e gerar modelos teóricos para explicar o comportamento e a massa dos neutrinos. A ferramenta permite explorar regiões do espaço de modelos mais rapidamente do que seria possível manualmente.
Neutrinos
Os neutrinos são partículas elementares eletricamente neutras que interagem com a matéria apenas por meio da força fraca e da gravidade. Eles foram propostos em 1930 por Wolfgang Pauli para explicar a conservação de energia no decaimento beta e tiveram sua existência confirmada experimentalmente em 1956 por Clyde Cowan e Frederick Reines.
Após décadas de experimentos, hoje sabemos que trilhões de neutrinos atravessam o corpo humano a cada segundo sem produzir efeitos perceptíveis por interagirem de forma fraca com a matéria.
Durante muito tempo, o Modelo Padrão assumiu que os neutrinos eram partículas sem massa, assim como os fótons. Essa hipótese mudou no final da década de 1990, quando experimentos observaram o fenômeno de oscilação de neutrinos, no qual eles mudam de um tipo para outro durante a propagação.
Mistério da massa dos neutrinos
Antes de revelar que os neutrinos possuem massa, a física de partículas já descrevia com sucesso quase todas as partículas fundamentais por meio do Modelo Padrão. No entanto, esse modelo prevê neutrinos sem massa, diferente das evidências experimentais obtidas a partir das oscilações de neutrinos.
Mesmo após décadas de pesquisas, os neutrinos ainda desafiam o Modelo Padrão, que não explica a origem de suas minúsculas massas. Crédito: SBF
Isso indica que existe algum mecanismo físico ainda desconhecido responsável por gerar essas massas extremamente pequenas. Diversas hipóteses foram propostas para explicar a origem da massa dos neutrinos, incluindo a existência de novas partículas ainda não observadas experimentalmente.
AMBer
Para acelerar a busca pela origem da massa dos neutrinos, pesquisadores desenvolveram o Autonomous Model Builder (AMBer), um sistema baseado em aprendizado por reforço. O AMBer aprende por tentativa e erro, avaliando continuamente a qualidade dos modelos teóricos que constrói.
O AMBer utiliza aprendizado por reforço para explorar automaticamente novos modelos capazes de explicar a massa dos neutrinos. Crédito: Baretz et al. 2026
O AMBer constrói modelos de física de partículas escolhendo grupos de simetria, definindo quais partículas devem compor cada teoria. Cada modelo é então comparado com resultados experimentais e avaliado. O sistema identificou novos candidatos em estruturas matemáticas ainda pouco exploradas.
Aprendizado por reforço
O aprendizado por reforço, que foi usado nesse estudo, é uma técnica de inteligência artificial na qual um agente aprende a tomar decisões por meio da interação com um ambiente. O algoritmo realiza ações, observa seus resultados e recebe recompensas ou penalidades conforme seu desempenho.
O objetivo é descobrir, ao longo de muitas tentativas, a sequência de decisões que maximiza a recompensa acumulada. Essa abordagem é útil em problemas com um grande número de possibilidades, nos quais não existe uma solução conhecida. Com o tempo, o agente melhora progressivamente seu desempenho.
Referência da notícia
Baretz et al. (2026). Towards AI-assisted neutrino flavor theory design.