帖子
勛章
關(guān)注
任務(wù)
人工智能如何幫助科學(xué)家尋找新粒子？  在搜尋新基本粒子的過程中，物理學(xué)家總是需要對粒子的行為作出假設(shè)，但新的機(jī)器學(xué)習(xí)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(shí)驗(yàn)的紐約大學(xué)粒子物理學(xué)家凱爾·克蘭默（Kyle Cranmer）說：“我們總是擔(dān)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(xué)家嘗試使用“深度神經(jīng)網(wǎng)絡(luò)”的機(jī)器學(xué)習(xí)技術(shù)來挖掘相似事件組成的數(shù)據(jù)海洋，尋找新的物理學(xué)現(xiàn)象。 在初步使用案例中，深度神經(jīng)網(wǎng)絡(luò)通過研究大量標(biāo)記為“貓”的圖片和標(biāo)記為“狗”的圖片，學(xué)習(xí)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?yàn)槲锢韺W(xué)家無法為機(jī)器提供他們從未見過的東西的圖片。因此，物理學(xué)家轉(zhuǎn)而采用所謂的“弱監(jiān)督學(xué)習(xí)”（weakly supervised learning）方法，即機(jī)器從已知粒子開始，利用細(xì)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(xué)預(yù)印本網(wǎng)站arxiv.org上的一篇論文中，三位研究人員提出應(yīng)用相關(guān)策略對“撞擊狩獵”（bump hunting）進(jìn)行擴(kuò)展。這種經(jīng)典的“粒子狩獵”技術(shù)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(shí)驗(yàn)室的研究者本·納赫曼（Ben Nachman）表示，具體的思路是訓(xùn)練機(jī)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(shí)驗(yàn)的原理基礎(chǔ)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(shè)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(yīng)），那算法就應(yīng)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(xué)會將馴鹿與松鼠區(qū)分開來。弱監(jiān)督學(xué)習(xí)研究者、俄勒岡大學(xué)的理論粒子物理學(xué)家說：“這不是魔術(shù)，但感覺像魔術(shù)一樣。” 相比之下，粒子物理學(xué)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(shè)。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(shè)計出自定義的搜索策略。這項(xiàng)工作通常需要花費(fèi)一個博士研究生至少一年的時間，而納赫曼認(rèn)為，這一過程可以完成得更快、更徹底。 有研究者提出了CWoLa算法，即無標(biāo)簽分類（Classification Without Labels），可以搜索任意未知粒子的現(xiàn)有數(shù)據(jù)，無論該粒子是衰變成兩個同類型未知粒子，還是兩個同類型或不同類型已知粒子。利用常規(guī)的搜索模型，LHC協(xié)作機(jī)構(gòu)可能需要至少20年時間來尋找后一種情況的可能性，而目前對前一種情況的搜索仍沒有任何結(jié)果。參與ATLAS項(xiàng)目的納赫曼表示，CWoLa算法可以一次完成所有這些工作。 |
