人工智能如何帮助科学家寻找新粒子?

  • 时间:
  • 浏览:0
  • 来源:大发大发快3_大发大发快3投注平台_大发大发快3娱乐平台
  在搜寻新基本粒子的过程中,物理学家一直还要对粒子的行为作出假设,但新的机器学习算法却不不这么 做。

  9月13日消息,据国外媒体报道,大型强子对撞机(LHC)可不都可不还可不可以在一秒钟之内撞击十亿对质子。有时,这台巨大的机器原因分析分析分析会给现实世界带来惊喜,原因分析分析分析在少数碰撞中,会产生很多前所未有的东西。否则,那我 的惊喜并这么 哪此规律可言,物理学家无须确切知道要寻找哪此。亲戚亲戚很多人担心,在将数十亿次碰撞所获得的数据梳理成更易管理的数字时,原因分析分析分析会无意中删掉物理学新理论的证据。在欧洲核子研究中心(CERN)参与超环面仪器(ATLAS)实验的纽约大学粒子物理学家凯尔·克兰默(Kyle Cranmer)说:“亲戚亲戚很多人一直担心此人 会把婴儿和洗澡水同時 倒掉。”

  面对智能数据规约的挑战,很多物理学家尝试使用“深度图神经网络”的机器学习技术来挖掘例如事件组成的数据海洋,寻找新的物理学问題报告 。

  在初步使用案例中,深度图神经网络通过研究几瓶标记为“猫”的图片和标记为“狗”的图片,学习怎样区分猫和狗。然而,这些土方法在寻找新粒子时无须适用,原因分析分析分析物理学家无法为机器提供亲戚亲戚很多人从未见过的东西的图片。否则,物理学家转而采用所谓的“弱监督学习”(weakly supervised learning)土方法,即机器从已知粒子开始英文英语 ,利用细化的信息(比如总体上原因分析分析分析地处的频率)来寻找罕见事件。

  在今年5月份发表于科学预印本网站arxiv.org上的一篇论文中,三位研究人员提出应用相关策略对“撞击狩猎”(bump hunting)进行扩展。这些经典的“粒子狩猎”技术曾用于希格斯玻色子的发现。美国劳伦斯伯克利国家实验室的研究者本·纳赫曼(Ben Nachman)表示,具体的思路是训练机器在数据集中寻找罕见的变化。

  试想一下,亲戚亲戚很多人可不都可不还可不可以在猫狗实验的原理基础上做有有有兩个 游戏:在充满北美森林观察记录的数据集中寻找新的动物物种。假设任何新的动物物种都倾向于聚集在某个特定的地理区域(与新粒子围绕某个特定质量的概念相对应),那算法就应该可不都可不还可不可以通过邻近区域的系统比较,将它们挑出来。原因分析分析分析加拿大不列颠哥伦比亚省刚好有113只驯鹿,美国华盛顿州有19只驯鹿(即使数据集中有 数百万只松鼠),那系统进程都可不还可不可以在这么 直接研究驯鹿的情况表下,学好将驯鹿与松鼠区分开来。弱监督学习研究者、俄勒冈大学的理论粒子物理学家说:“这全部都有魔术,但感觉像魔术一样。”

  相比之下,粒子物理学中的传统搜索土方法通常要求研究人员对新问題报告 是哪此样子做出假设。亲戚亲戚很多人会创建有有有兩个 描述新粒子行为的模型。例如,有有有兩个 新粒子原因分析分析分析有衰变成一大群已知粒子的趋势。这么 在定义了所要寻找的东西要是,亲戚亲戚很多人都可不还可不可以设计出自定义的搜索策略。这项工作通常需离米 有有有兩个 博士研究生离米 一年的时间,而纳赫曼认为,这些过程可不都可不还可不可以完成得放慢、更彻底。

  有研究者提出了CWoLa算法,即无标签分类(Classification Without Labels),可不都可不还可不可以搜索任意未知粒子的现有数据,无论该粒子是衰变成有有有兩个 例如型未知粒子,还是有有有兩个 例如型或不例如型已知粒子。利用常规的搜索模型,LHC合作 机构原因分析分析分析还要离米 20年时间来寻找后并算是 情况表的原因分析分析分析性,而目前对前并算是 情况表的搜索仍这么 任何结果。参与ATLAS项目的纳赫曼表示,CWoLa算法可不都可不还可不可以一次完成所有哪此工作。

  很多实验粒子物理学家也认为,这将是有有有兩个 很有价值的项目。在ATLAS项目中搜寻新粒子碰撞的物理学家凯特·帕查尔(Kate Pachal)说:“亲戚亲戚很多人原因分析分析分析分析了很多可预测的区域,否则接下来亲戚亲戚很多人要开始英文英语 填补哪此尚未分析的角落,这是有点痛 要的有有有兩个 方向。”去年,她和很多同事就在尝试设计并算是 灵活的软件,对一系列不同质量的粒子进行外理,但亲戚亲戚很多人中这么 人对机器学习有足够的了解。“我要现在是尝试一下的要是了,”帕查尔说道。

  深度图神经网络有希望在不不利于目前建模工作的数据中发现微妙的相关性。很多机器学习技术原因分析分析分析成功提高了LHC进行特定任务的传输速率,比如识别由底夸克粒子产生的“喷注”。在这项工作中,物理学家毫无问題报告 也会错过很多信号。加州大学欧文分校的粒子物理学家丹尼尔·怀特森(Daniel Whiteson)说:“亲戚亲戚很多人把信息遗留在桌面上,而当你在有有有兩个 机器上花了5000亿美元,你不不不把信息留在桌子上。”

  不过,机器学习其实充满了系统进程将手臂混淆为哑铃的警示故事(甚至还有更糟糕的情况表)。对于LHC,他们担心机器学习的“捷径”最终反映的是LHC机器并算是 的各种小问題报告 ,而哪此问題报告 正是实验物理学家努力让你忽视的。ATLAS项目的物理学家蒂尔·艾费特(Till Eifert)问道:“当你发现有有有兩个 异常时,你其实它是新物理学突破呢,还是探测器地处了哪此有意思的情况表?”