T大型强子对撞机(LHC)每秒能使10亿对质子对撞在一起。偶尔，机器可能会对现实产生足够的震动，使一些碰撞产生一些以前从未见过的东西。但由于这些事件本质上是一个惊喜，物理学家不知道到底要寻找什么。他们担心，在从数十亿次碰撞中筛选数据到一个更易于管理的数字的过程中，他们可能会无意中删除新物理学的证据。“我们总是害怕把孩子和洗澡水一起丢掉，”他说凯尔克兰麦他是纽约大学的粒子物理学家，在欧洲核子研究中心参与ATLAS实验。
面对智能数据简化的挑战，一些物理学家正试图使用一种被称为“深度神经网络”的机器学习技术，从熟悉事件的海洋中挖掘新的物理现象。
在原型用例中，深度神经网络通过研究标记为“猫”的一堆照片和标记为“狗”的一堆照片来学习区分猫和狗。但这种方法在寻找新粒子时不起作用，因为物理学家无法给机器提供他们从未见过的东西的图片。因此，他们转向“弱监督学习”，即机器从已知的粒子开始，然后使用更少的颗粒信息寻找罕见事件，比如它们可能发生的总体频率。
在一个纸今年5月发表在科学预印本网站arxiv.org上的文章中，三位研究人员提出了一种相关的策略，以扩展“碰撞搜索”，即发现希格斯玻色子的经典粒子搜索技术。根据其中一位作者的观点，本Nachman博士劳伦斯伯克利国家实验室(Lawrence Berkeley National Laboratory)的一名研究人员将训练这台机器找出数据集中的罕见变异。
以猫和狗的精神为例，考虑一个尝试在一个充满了对整个北美森林的观察的数据集中发现一种新的动物物种的问题。假设任何新的动物都可能倾向于聚集在特定的地理区域(这一概念与新粒子聚集在特定质量周围相对应)，算法应该能够通过系统地比较邻近区域来识别它们。如果不列颠哥伦比亚省恰好有113只驯鹿，而华盛顿州只有19只(即使是在几百万只松鼠的背景下)，该项目将学习如何从松鼠中区分驯鹿，而这一切都无需直接研究驯鹿。“这不是魔法，但感觉就像魔法，”他说蒂姆•科恩他是俄勒冈大学(University of Oregon)的理论粒子物理学家，也研究弱监督。
相比之下，传统的粒子物理学研究通常要求研究人员对新现象做出假设。他们建立了一个新粒子行为的模型——例如，一个新粒子可能倾向于衰变成已知粒子的特定星座。只有在他们明确了他们要找的东西之后，他们才能设计一个定制的搜索策略。这是一项博士生通常至少需要一年时间才能完成的任务，而Nachman认为这项任务可以更快、更彻底地完成。
所提出的CWoLa算法，即没有标签的分类算法，可以搜索现有的任何未知粒子的数据，这些未知粒子要么衰变为两个较轻的相同类型的未知粒子，要么衰变为两个相同或不同类型的已知粒子。使用普通的搜索方法，至少需要大型强子对撞机的合作20年搜索后者的可能性，而目前还没有对前者的搜索。在ATLAS项目中工作的Nachman说CWoLa可以一次性完成所有这些任务。
其他实验粒子物理学家认为，这可能是一个有价值的项目。“我们已经在很多可预测的领域进行了研究，所以开始填补我们没有关注的领域是我们下一步的重要方向，”他说凯特Pachal他是一位物理学家，在ATLAS项目中寻找新的粒子碰撞。去年，她和一些同事讨论了尝试设计灵活软件的想法，可以处理一系列粒子质量，但没有人对机器学习足够了解。她说:“现在我觉得是时候试试了。”
人们希望，神经网络能够在数据中发现微妙的关联，而这些关联正是当前建模工作的阻力。其他机器学习技术已经成功地提高了LHC某些任务的效率，例如识别“喷气机”由底夸克粒子构成。这项工作毫无疑问地表明，一些信号没有引起物理学家的注意。“他们把信息留在桌面上，当你花100亿美元在一台机器上时，你不想把信息留在桌面上，”他说丹尼尔Whiteson他是加州大学欧文分校(University of California, Irvine)的粒子物理学家。
然而，机器学习充斥着令人警醒的故事:程序会让武器感到困惑哑铃(或更糟糕的是）.在大型强子对撞机中，一些人担心这些捷径最终会反映出机器本身的小魔怪，而实验物理学家们费尽心思去刻意忽视这些小魔怪。“一旦你发现了异常现象，这是新的物理现象，还是探测器发生了一些有趣的事情?””问直到Eifert他是ATLAS上的一位物理学家。
查理·伍德是一名记者，报道地球上和地球外的物理科学发展。他的作品已出版科学美国人，基督教科学箴言报和《生活科学》，以及其他出版物。此前，他曾在莫桑比克和日本教授物理和英语，并获得布朗大学物理学学士学位。
最新和最受欢迎的文章投递到您的收件箱!
