位于歐洲核子研究中心（CERN）的大型強子對撞機（LHC）是目前世界上最大的粒子加速器，在里面進行的實驗每秒產(chǎn)生大約一百萬吉字節(jié)（GB，十億字節(jié)）的數(shù)據(jù)。即使經(jīng)過壓縮，LHC在一小時內(nèi)積累的數(shù)據(jù)也與社交網(wǎng)站臉書整年收集的數(shù)據(jù)量相當。這么海量的數(shù)據(jù)，給存儲和分析帶來了極大難題。幸運的是，粒子物理學家不必自己處理所有這些數(shù)據(jù)。他們與一種稱為機器學習的人工智能（AI）攜手合作，來處理這些數(shù)據(jù)。

來自美國能源部斯坦福直線加速器中心（SLAC）和費米國家加速器實驗室的科學家，在8月2日發(fā)表于《自然》雜志的一篇文章中，總結(jié)了機器學習在粒子物理學領(lǐng)域的當前應(yīng)用和未來前景。

該論文共同作者、美國威廉瑪麗學院的亞力山大·拉多維奇說：“機器學習算法自己知道如何進行各種分析，這有望為我們節(jié)省無數(shù)小時的設(shè)計和分析工作?！崩嗑S奇目前正參與費米實驗室的NuMI離軸中微子實驗（NOVA）。

機器學習篩查大數(shù)據(jù)

機器學習已被證明在分析領(lǐng)域非常成功。為了處理像在LHC內(nèi)進行的那些現(xiàn)代實驗中產(chǎn)生的海量數(shù)據(jù)，研究人員應(yīng)用所謂的“觸發(fā)器”——專用的硬件和軟件，它們能實時決定哪些數(shù)據(jù)可保存下來以供分析，哪些數(shù)據(jù)可以丟棄。

論文作者之一、麻省理工學院的邁克·威廉姆斯說，機器學習算法至少可由做出其中70%的決定。威廉姆斯目前正參與LHCb實驗，該實驗可幫助科學家揭示為何宇宙中物質(zhì)的數(shù)量遠遠多于反物質(zhì)的數(shù)量。

LHC中巨大的超環(huán)面儀器（ATLAS）與緊湊渺子線圈（CMS）能發(fā)現(xiàn)希格斯玻色子，每個探測器都有數(shù)百萬個傳感元件，其信號需要放在一起才能獲得有意義的結(jié)果。SLAC的邁克爾·卡根說道：“這些信號組成了一個復(fù)雜的數(shù)據(jù)空間，我們需要了解它們之間的關(guān)系，得出結(jié)論，例如，探測器中某個粒子的軌跡是由電子、光子還是其他東西產(chǎn)生?！?/p>

中微子實驗也受益于機器學習。NOVA研究了中微子在穿越地球時如何從一種類型轉(zhuǎn)變?yōu)榱硪环N類型，這些中微子振蕩可能潛在地揭示一種新類型中微子的存在，一些理論認為，這種中微子是暗物質(zhì)的粒子。NOVA的探測器正在監(jiān)視中微子撞擊探測器材料時產(chǎn)生的帶電粒子，并且，機器學習算法可以識別它們。

識別特征 進行模擬

機器學習算法日益復(fù)雜和精細，為解決粒子物理問題開辟了前所未有的機會。機器學習的最新發(fā)展——所謂的深度學習，即使用神經(jīng)網(wǎng)絡(luò)，改進了粒子物理學家們的實驗方式。

卡根說，他們可以使用深度學習的許多新任務(wù)都與計算機視覺有關(guān)，“它與面部識別相似，只是在粒子物理學中，圖像特征比耳朵和鼻子更抽象?！?/p>

像NOVA這類實驗產(chǎn)生的數(shù)據(jù)很容易轉(zhuǎn)化為實際圖像，AI可以很容易地從中識別特征。拉多維奇說：“即使數(shù)據(jù)看起來不像圖像，如果能夠以正確的方式處理數(shù)據(jù)，我們?nèi)匀豢梢允褂糜嬎銠C視覺方法。這種方法非常有用的一個領(lǐng)域是，對大型強子對撞機產(chǎn)生的大量粒子射流進行分析。”

深度學習的另一個新興應(yīng)用是粒子物理學數(shù)據(jù)的模擬，如預(yù)測LHC中的粒子碰撞會發(fā)生什么，并與實際數(shù)據(jù)比較。傳統(tǒng)模擬通常很慢且需要巨大的計算能力，而AI可以更快地進行模擬。

卡根說：“雖然這是非常早期的工作，但它顯示出許多希望，并可能有助于應(yīng)對未來的數(shù)據(jù)挑戰(zhàn)?！?/p>

質(zhì)疑促進進步

盡管有明顯進步，但機器學習愛好者經(jīng)常需要面對來自合作伙伴的質(zhì)疑，部分原因是機器學習算法大多數(shù)時候就像“黑匣子”，很少能提供關(guān)于它們?nèi)绾蔚贸瞿硞€結(jié)論的信息。

威廉姆斯認為：“質(zhì)疑是好事，如果你將機器學習用做丟棄數(shù)據(jù)的觸發(fā)器，就像我們在LHCb中所做的那樣，那么你需要非常謹慎并設(shè)置非常高的標準。因此，在粒子物理學領(lǐng)域建立機器學習需要不斷努力，以更好地理解算法的內(nèi)部工作原理，并盡可能地與實際數(shù)據(jù)進行交叉檢查。”

論文共同作者、工作于MicroBooNE中微子實驗的SLAC研究員寺尾一寬（音譯）說：“在應(yīng)用AI方面，我們應(yīng)該不斷嘗試，并始終對結(jié)果進行評估。質(zhì)疑不應(yīng)成為我們前進的障礙。今天我們主要使用機器學習來查找數(shù)據(jù)中的特征，10年后，機器學習算法或許可以獨立地提出問題，并在發(fā)現(xiàn)新物理學時識別它們?！?/p>