方宇寧/編譯

AI早期試驗場：尋找新粒子

方宇寧/編譯

神經(jīng)網(wǎng)絡在LHC的碰撞碎片中尋找新粒子的“指紋”

20世紀80年代末，正值“神經(jīng)網(wǎng)絡”一詞極大地激發(fā)了公眾的想象力之時，粒子物理學家就開始了對人工智能（AI）的研究。粒子物理學家的研究領域?qū)е滤麄円蛉斯ぶ悄芎蜋C器學習算法發(fā)展，高能物理學家要利用機器學習的能力篩選粒子碰撞產(chǎn)生的碎片，因為幾乎每一個實驗中心都致力于在粒子探測器產(chǎn)生的數(shù)不盡的相似數(shù)據(jù)中發(fā)現(xiàn)微妙的空間模式，這些也恰好是人工智能所擅長的?！拔覀兓藥啄甑臅r間才讓人們相信，這些研究并不是魔術(shù)、戲法、黑匣子之類的東西?！币晾Z伊巴達維亞費米國家加速器實驗室的波阿斯·克利馬（Boaz Klima）說道，他是最早支持人工智能技術(shù)研究的物理學家之一?，F(xiàn)如今，AI技術(shù)在物理學家研究的標準工具中已占據(jù)了一席之地。

粒子物理學家試圖通過巨大能量和亞原子粒子的對撞發(fā)現(xiàn)新粒子的魅影以理解宇宙的內(nèi)部運作機制。例如，2012年，全球最大的質(zhì)子對撞機——瑞士大型強子對撞機（LHC）發(fā)現(xiàn)了一直存在于預言中的希格斯玻色子，這種稍縱即逝的粒子是物理學家解釋其他基本粒子為何擁有質(zhì)量的關(guān)鍵。然而，這種奇異粒子的出現(xiàn)并非自帶標簽。在LHC上，幾乎每10億次質(zhì)子的碰撞才產(chǎn)生1個希格斯玻色子，并在1皮秒（萬億分之一秒）的十億分之一就會衰變?yōu)槠渌Ｗ?，如一對光子或μ介子的一組4個粒子。為“重建”希格斯粒子，物理學家必須辨認出現(xiàn)場所有那些更常見的粒子，看它們結(jié)合在一起的方式是否與它們的本源相符合，但在典型碰撞中產(chǎn)生的大量外來粒子使得這一辨別工作更為困難。

諸如神經(jīng)網(wǎng)絡之類的算法擅長從中篩選信號，費米實驗室的物理學家普什帕拉薩·巴特（Pushpalatha Bhat）說道。在粒子探測器中（通常是巨型桶狀傳感器的聚合裝置），光子通常在一個被稱為電磁熱量計的子系統(tǒng)中產(chǎn)生一波粒子束。當然，電子和強子也是如此，但它們的粒子束流與光子的粒子束流存在一些細微的差別。機器學習算法可以通過統(tǒng)計發(fā)現(xiàn)解釋粒子束多個變量之間的相關(guān)性將它們區(qū)分開來。例如，這些算法也有助于區(qū)分來自希格斯粒子衰變的光子對與隨機產(chǎn)生的光子對。“這是一個如大海撈針般困難的問題?！卑吞卣f，“這就是從數(shù)據(jù)中提取出盡可能多的信息如此重要的原因。”

但機器學習在粒子物理學領域并非一家獨大，物理學家主要還是依靠對基礎物理學的理解決定如何從眾多數(shù)據(jù)中尋找新粒子和新現(xiàn)象出現(xiàn)的線索。但美國加州伯克利的勞倫斯伯克利國家實驗室的計算機科學家保羅·卡拉菲拉（Paolo Calafiura）指出，人工智能很可能會變得越來越重要。研究人員計劃在2024年升級大型強子對撞機，并將其碰撞率增加10倍?？ɡ评f道，屆時機器學習在應對大量數(shù)據(jù)流中將起到至關(guān)重要的作用。

[資料來源：Science][責任編輯：松 石]