帖子
勛章
關注
任務
人工智能如何幫助科學家尋找新粒子？  在搜尋新基本粒子的過程中，物理學家總是需要對粒子的行為作出假設，但新的機器學習算法卻不用這么做。 在歐洲核子研究中心（CERN）參與超環(huán)面儀器（ATLAS）實驗的紐約大學粒子物理學家凱爾·克蘭默（Kyle Cranmer）說：“我們總是擔心自己會把嬰兒和洗澡水一起倒掉。” 面對智能數(shù)據(jù)規(guī)約的挑戰(zhàn)，一些物理學家嘗試使用“深度神經(jīng)網(wǎng)絡”的機器學習技術來挖掘相似事件組成的數(shù)據(jù)海洋，尋找新的物理學現(xiàn)象。 在初步使用案例中，深度神經(jīng)網(wǎng)絡通過研究大量標記為“貓”的圖片和標記為“狗”的圖片，學習如何區(qū)分貓和狗。然而，這種方法在尋找新粒子時并不適用，因為物理學家無法為機器提供他們從未見過的東西的圖片。因此，物理學家轉(zhuǎn)而采用所謂的“弱監(jiān)督學習”（weakly supervised learning）方法，即機器從已知粒子開始，利用細化的信息（比如總體上可能發(fā)生的頻率）來尋找罕見事件。 在今年5月份發(fā)表于科學預印本網(wǎng)站arxiv.org上的一篇論文中，三位研究人員提出應用相關策略對“撞擊狩獵”（bump hunting）進行擴展。這種經(jīng)典的“粒子狩獵”技術曾用于希格斯玻色子的發(fā)現(xiàn)。美國勞倫斯伯克利國家實驗室的研究者本·納赫曼（Ben Nachman）表示，具體的思路是訓練機器在數(shù)據(jù)集中尋找罕見的變化。 試想一下，我們可以在貓狗實驗的原理基礎上做一個游戲：在充滿北美森林觀察記錄的數(shù)據(jù)集中尋找新的動物物種。假設任何新的動物物種都傾向于聚集在某個特定的地理區(qū)域（與新粒子圍繞某個特定質(zhì)量的概念相對應），那算法就應該可以通過鄰近區(qū)域的系統(tǒng)比較，將它們挑出來。如果加拿大不列顛哥倫比亞省剛好有113只馴鹿，美國華盛頓州有19只馴鹿（即使數(shù)據(jù)集中有數(shù)百萬只松鼠），那程序也能在沒有直接研究馴鹿的情況下，學會將馴鹿與松鼠區(qū)分開來。弱監(jiān)督學習研究者、俄勒岡大學的理論粒子物理學家說：“這不是魔術，但感覺像魔術一樣。” 相比之下，粒子物理學中的傳統(tǒng)搜索方法通常要求研究人員對新現(xiàn)象是什么樣子做出假設。他們會創(chuàng)建一個描述新粒子行為的模型。例如，一個新粒子可能有衰變成一大群已知粒子的趨勢。只有在定義了所要尋找的東西之后，他們才能設計出自定義的搜索策略。這項工作通常需要花費一個博士研究生至少一年的時間，而納赫曼認為，這一過程可以完成得更快、更徹底。 |
