AI早期試驗場：尋找新粒子

方宇寧/編譯

AI早期試驗場：尋找新粒子

方宇寧/編譯

神經網絡在LHC的碰撞碎片中尋找新粒子的“指紋”

20世紀80年代末，正值“神經網絡”一詞極大地激發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導致他們要向人工智能和機器學習算法發展，高能物理學家要利用機器學習的能力篩選粒子碰撞產生的碎片，因為幾乎每一個實驗中心都致力于在粒子探測器產生的數不盡的相似數據中發現微妙的空間模式，這些也恰好是人工智能所擅長的。“我們花了幾年的時間才讓人們相信，這些研究并不是魔術、戲法、黑匣子之類的東西。”伊利諾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研究的物理學家之一。現如今，AI技術在物理學家研究的標準工具中已占據了一席之地。

粒子物理學家試圖通過巨大能量和亞原子粒子的對撞發現新粒子的魅影以理解宇宙的內部運作機制。例如，2012年，全球最大的質子對撞機——瑞士大型強子對撞機（LHC）發現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量的關鍵。然而，這種奇異粒子的出現并非自帶標簽。在LHC上，幾乎每10億次質子的碰撞才產生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為其他粒子，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場所有那些更常見的粒子，看它們結合在一起的方式是否與它們的本源相符合，但在典型碰撞中產生的大量外來粒子使得這一辨別工作更為困難。

諸如神經網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中產生一波粒子束。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計發現解釋粒子束多個變量之間的相關性將它們區分開來。例如，這些算法也有助于區分來自希格斯粒子衰變的光子對與隨機產生的光子對。“這是一個如大海撈針般困難的問題。”巴特說，“這就是從數據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據中尋找新粒子和新現象出現的線索。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。卡拉菲拉說道，屆時機器學習在應對大量數據流中將起到至關重要的作用。

[資料來源：Science][責任編輯：松 石]