人工智能如何帮助科学家寻找新粒子?

  • 时间:
  • 浏览:1
  在搜寻新基本粒子的过程中,物理学家突然都要对粒子的行为作出假设,但新的机器学习算法却无需这样做。

  9月13日消息,据国外媒体报道,大型强子对撞机(LHC)可不可不可不可否 在一秒钟之内撞击十亿对质子。有时,这台巨大的机器若果会给现实世界带来惊喜,若果在少数碰撞中,会产生有些前所未有的东西。若果,另另有还还有一个的惊喜并这样那先 规律可言,物理学家无需确切知道要寻找那先 。我们我们我们担心,在将数十亿次碰撞所获得的数据梳理成更易管理的数字时,若果会无意中删掉物理学新理论的证据。在欧洲核子研究中心(CERN)参与超环面仪器(ATLAS)实验的纽约大学粒子物理学家凯尔·克兰默(Kyle Cranmer)说:“我们我们我们儿突然担心有些人会把婴儿和洗澡水一并倒掉。”

  面对智能数据规约的挑战,有些物理学家尝试使用“深度神经网络”的机器学习技术来挖掘类事事件组成的数据海洋,寻找新的物理学大问題。

  在初步使用案例中,深度神经网络通过研究大量标记为“猫”的图片和标记为“狗”的图片,学习咋样区分猫和狗。然而,这些生活最好的法子 在寻找新粒子时无需适用,若果物理学家无法为机器提供我们我们我们从未见过的东西的图片。若果,物理学家转而采用所谓的“弱监督学习”(weakly supervised learning)最好的法子 ,即机器从已知粒子之后 刚开始,利用细化的信息(比如总体上若果处于的频率)来寻找罕见事件。

  在今年5月份发表于科学预印本网站arxiv.org上的一篇论文中,三位研究人员提出应用相关策略对“撞击狩猎”(bump hunting)进行扩展。这些生活经典的“粒子狩猎”技术曾用于希格斯玻色子的发现。美国劳伦斯伯克利国家实验室的研究者本·纳赫曼(Ben Nachman)表示,具体的思路是训练机器在数据集中寻找罕见的变化。

  试想一下,我们我们我们儿可不可不可不可否 在猫狗实验的原理基础上做另另有还还有一个游戏:在充满北美森林观察记录的数据集中寻找新的动物物种。假设任何新的动物物种都倾向于聚集在某个特定的地理区域(与新粒子围绕某个特定质量的概念相对应),那算法就应该可不可不可不可否 通过邻近区域的系统比较,将它们挑出来。若果加拿大不列颠哥伦比亚省刚好有113只驯鹿,美国华盛顿州有19只驯鹿(即使数据集带有数百万只松鼠),那守护进程不可不可不可不可否 在这样直接研究驯鹿的清况 下,医学会 将驯鹿与松鼠区分开来。弱监督学习研究者、俄勒冈大学的理论粒子物理学家说:“这不是魔术,但感觉像魔术一样。”

  相比之下,粒子物理学中的传统搜索最好的法子 通常要求研究人员对新大问題是那先 样子做出假设。我们我们我们会创建另另有还还有一个描述新粒子行为的模型。类事,另另有还还有一个新粒子若果有衰变成一大群已知粒子的趋势。不到在定义了所要寻找的东西之后 ,我们我们我们不可不可不可不可否 设计出自定义的搜索策略。这项工作通常需共要另另有还还有一个博士研究生共要一年的时间,而纳赫曼认为,这些生活过程可不可不可不可否 完成得更慢、更彻底。

  有研究者提出了CWoLa算法,即无标签分类(Classification Without Labels),可不可不可不可否 搜索任意未知粒子的现有数据,无论该粒子是衰变成另另有还还有一个类事型未知粒子,还是另另有还还有一个类事型或不类事型已知粒子。利用常规的搜索模型,LHC合作协议协议机构若果都要共要20年时间来寻找后这些生活清况 的若果性,而目前对前这些生活清况 的搜索仍这样任何结果。参与ATLAS项目的纳赫曼表示,CWoLa算法可不可不可不可否 一次完成所有那先 工作。

  有些实验粒子物理学家也认为,这将是另另有还还有一个很有价值的项目。在ATLAS项目中搜寻新粒子碰撞的物理学家凯特·帕查尔(Kate Pachal)说:“我们我们我们儿若果分析了有些可预测的区域,若果接下来我们我们我们儿要之后 刚开始填补那先 尚未分析的角落,这是有点硬要的另另有还还有一个方向。”去年,她和有些同事就在尝试设计这些生活灵活的软件,对一系列不同质量的粒子进行处里,但我们我们我们中这样人对机器学习有足够的了解。“我我想要要现在是尝试一下的之后 了,”帕查尔说道。

  深度神经网络有希望在不促使目前建模工作的数据中发现微妙的相关性。有些机器学习技术若果成功提高了LHC进行特定任务的效率,比如识别由底夸克粒子产生的“喷注”。在这项工作中,物理学家毫无大问題也会错过有些信号。加州大学欧文分校的粒子物理学家丹尼尔·怀特森(Daniel Whiteson)说:“我们我们我们把信息遗留在桌面上,而当你在另另有还还有一个机器上花了400亿美元,你无需想把信息留在桌子上。”

  不过,机器学习嘴笨 充满了守护进程将手臂混淆为哑铃的警示故事(甚至还有更糟糕的清况 )。对于LHC,一帮人担心机器学习的“捷径”最终反映的是LHC机器这些生活的各种小大问題,而那先 大问題正是实验物理学家努力我想要忽视的。ATLAS项目的物理学家蒂尔·艾费特(Till Eifert)问道:“当你发现另另有还还有一个异常时,你嘴笨 它是新物理学突破呢,还是探测器处于了那先 有意思的清况 ?”