El Gran Colisionador de Hadrones (LHC) del CERN concluirá la toma de datos de física de su Run 3 el 29 de junio de 2026. A partir de julio comenzará el Long Shutdown 3 (LS3), un periodo de cuatro años sin colisiones, pero con intensa actividad en ingeniería, actualización tecnológica y procesamiento de información. El cierre no representa el fin de una etapa científica, sino una pausa para preparar el Salto a la Alta Luminosidad (HL-LHC), previsto para entrar en operación hacia el final de la década.
El objetivo del HL-LHC es multiplicar por diez la cantidad de colisiones respecto a la configuración actual. Ese aumento implicará un desafío técnico significativo: gestionar un flujo de datos que los sistemas convencionales no podrían procesar en tiempo real. Actualmente, el LHC genera cerca de un petabyte de datos por segundo, volumen que obliga a aplicar sistemas de filtrado avanzados para decidir qué información se conserva y cuál se descarta.
Durante el Run 3 y con miras al HL-LHC, el laboratorio ha intensificado el uso de inteligencia artificial. Técnicas de aprendizaje profundo se emplean en la reconstrucción de trazas de partículas, un proceso que permite identificar en milisegundos los productos de las colisiones. En febrero de 2026, la colaboración CMS informó que su algoritmo Machine-Learning-based Particle-Flow (MLPF) logró reconstruir colisiones completas con mayor rapidez y precisión que los métodos tradicionales basados en reglas manuales.
Además, se validan redes neuronales de grafos (GNN) capaces de procesar las señales registradas en los detectores como nodos interconectados, lo que facilita distinguir trayectorias reales del ruido de fondo. Los sistemas de disparo o “triggers” integran inteligencia artificial directamente en hardware como FPGAs, con el fin de tomar decisiones en microsegundos sobre qué eventos podrían contener fenómenos poco frecuentes, como posibles candidatos a materia oscura.
En paralelo, el laboratorio explora algoritmos cuánticos. Se han probado clasificadores como las Quantum Support Vector Machines para identificar eventos raros, entre ellos la producción de pares de bosones de Higgs. Estas búsquedas buscan arrojar luz sobre interrogantes que el Modelo Estándar no ha resuelto completamente, como la naturaleza de la materia oscura —incluidas partículas hipotéticas como los WIMPs—, las anomalías observadas en la desintegración de mesones B y un análisis más profundo del campo de Higgs.
El periodo que inicia en 2026 también será un “año puente” en términos computacionales. El procesamiento masivo de los datos acumulados del Run 3 se combinará con pruebas de arquitecturas híbridas que integran procesadores clásicos y aceleradores cuánticos. La meta es preparar el software para el Run 4, previsto para 2030, cuando las necesidades de almacenamiento podrían alcanzar la escala de los exabytes.
Mientras los equipos de computación trabajan sobre los datos existentes, el LS3 estará marcado por mejoras físicas en el túnel de 27 kilómetros del acelerador. Se instalarán nuevos imanes superconductores de niobio-estaño, más potentes, para focalizar los haces de protones. También se incorporarán cavidades de cangrejo (crab cavities), diseñadas para inclinar los paquetes de protones antes del choque y aumentar la probabilidad de colisión. Experimentos como CMS renovarán completamente sus rastreadores de silicio para soportar las condiciones de radiación del HL-LHC.
Más allá de la física fundamental, varias de estas tecnologías tienen aplicaciones en otros campos. Algoritmos desarrollados para identificar trazas de partículas en experimentos como ATLAS se adaptan para el análisis de imágenes médicas mediante redes neuronales convolucionales. Entre los usos señalados se encuentran la detección temprana de patrones asociados al Alzheimer en resonancias magnéticas y el mapeo de conectomas cerebrales mediante herramientas de visualización de datos.
El uso de FPGAs para filtrado ultrarrápido también encuentra aplicaciones en dispositivos médicos portátiles capaces de procesar señales cardíacas o cerebrales en tiempo real y emitir alertas ante posibles arritmias o episodios epilépticos.
En el ámbito de la computación cuántica, la CERN Quantum Technology Initiative explora aplicaciones potenciales en diseño de fármacos mediante simulaciones del plegamiento de proteínas a nivel atómico. Herramientas como Geant4 se emplean para simular con precisión la interacción de haces de protones en radioterapia, mientras que desarrollos en cristales centelleadores contribuyen a mejorar la resolución de escáneres PET.
El periodo 2026–2029 marcará así una transición desde la fase centrada en la colisión de protones hacia una etapa intensiva en análisis y preparación tecnológica. Con el HL-LHC en el horizonte, el laboratorio se enfoca tanto en ampliar la capacidad experimental como en redefinir la infraestructura informática que sostendrá la próxima década de investigación en física de partículas.
