大型強子對撞機每秒鐘能粉碎10億對質子。有時，對撞機可能攪動現實，産生一些前所未見的東西。但由于這些事件從本質上說是一種意外，物理學家并不确切地知道自己要尋找什麼。他們擔心，在把數十億次對撞産生的數據縮減至更易于管理的規模時，也許會無意中删掉物理學的新發現。“我們總是擔心，在倒洗澡水時會連小孩一起倒掉。”紐約大學粒子物理學家凱爾·克蘭默（Kyle Cranmer）說道，他參與了歐洲核子研究中心的ATLAS（超環面儀器）實驗。

　　大型強子對撞機今年4月進行的一次對撞實驗：橙色線條為帶電粒子，黃色錐體為大粒子噴流。

　　面對這種智能數據簡化的挑戰，一些物理學家正在嘗試一種名為“深度神經網絡”的機器學習技術，通過它來挖掘海量的熟悉事件，以期發現新的物理現象。

　　在經典用例中，一個深度神經網絡學會了辨别貓和狗，辦法就是饋入一堆被标記成“貓”的照片和一堆被标記成“狗”的照片，讓它進行研究。但在搜尋新的粒子時，這種方法是行不通的，因為物理學家無法把自己從未見過的東西的照片饋入機器。因此，他們轉向了“弱監督學習”，也就是讓機器從研究已知的粒子起步，然後利用粗粒度信息——比如它們發生的總體頻率是多少——來尋找罕見事件。

　　在今年5月發表于arxiv.org的一篇論文中，三位研究人員提出利用一種相關策略來拓展所謂的“凸塊搜尋”，科學家正是利用這種傳統的粒子搜尋方法發現了希格斯玻色子。據論文作者之一、美國勞倫斯伯克利國家實驗室的研究員本·納赫曼（Ben Nachman）稱，其總體思路是訓練機器找出數據集中的罕見變化。

　　想象這樣一個基于辨别貓狗的玩具模型，如果有一個數據集是對北美各地森林的觀察結果，現在的問題是要試着從中發現一個新的動物物種。假設新物種傾向于聚集在特定的地理區域（就好比一種新粒子可能因為特定的質量聚集在一起），那麼計算機算法應該能通過系統地比較相鄰區域，将它們識别出來。假如加拿大不列颠哥倫比亞省恰好有113頭北美馴鹿，華盛頓州有19頭（即使觀察結果中還有數百萬隻松鼠），算法也可以學會将松鼠與馴鹿區分開來，即便它從來沒有直接學習過關于馴鹿的信息。“這不是魔法，但感覺像是魔法。”俄勒岡大學的理論粒子物理學家蒂姆·科恩（Tim Cohen）說道。他也在從事弱監督學習的研究。

　　相比之下，粒子物理學中的傳統搜尋方法通常需要研究人員對新現象會是什麼樣子做出假設。他們會創建一個模型，來界定新粒子的行為特征，比如說，一種新粒子可能會衰變成特定的已知粒子集合。隻有在他們定義了自己想要尋找的東西之後，才能設計出特定的搜尋策略。這樣的工作通常需要一位博士生至少花上一年才能完成，而納赫曼認為，我們能夠以更快、更全面的方式完成它。

　　這項研究提出的算法名為CWoLa，全稱“Classification Without Labels”（無标簽分類）。它可以在現有數據中搜尋未知粒子，後者要麼衰變成兩個較輕的相同類型未知粒子，要麼衰變成兩個不同或是相同類型的已知粒子。使用常規的搜尋方法，大型強子對撞機至少需要20年時間，才能分析出後一種情況的可能性；而對于前一種情況，目前則根本無計可施。參與ATLAS項目的納赫曼表示，CWoLa可以一口氣完成所有這些工作。

　　其他粒子物理學家認同，CWoLa可能是一個有價值的項目。“我們已經研究了多種可能性，因此現在開始關注我們此前未曾關注過的地方，這對我們來說是接下來的一個重要方向。”物理學家凱特·帕查爾（Kate Pachal）說道，她參與了ATLAS項目中搜尋新粒子“凸塊”的工作。去年，帕查爾跟幾位同事反複讨論過一個想法，希望設計出一種靈活的軟件，用于對一系列粒子質量進行處理，但當時，他們對機器學習都不甚了解。“現在，我覺得也許是時候試試這個了。”她說。

　　研究人員期望，神經網絡能夠在數據中找出利用當前建模技術無法找到的微妙相關性。另一些機器學習技術已經成功地提高了大型強子對撞機執行某些任務的效率，比如，識别由底誇克粒子産生的“噴流”。這項工作無疑表明，物理學家的确忽視了一些信号。“他們忽略了一些信息，當你在一台機器上花費了100億美元時，你不會希望是這種結果。”加州大學歐文分校的粒子物理學家丹尼爾·懷特森（Daniel Whiteson）說。

　　不過，機器學習也時常會鬧笑話，諸如把手臂和啞鈴弄混的例子也俯拾即是，這對我們也是一種警示。在大型強子對撞機項目中，也有一些人擔憂，這種取巧之道最終可能把機器本身的異常當成信号來處理，而實驗物理學家通常需要費很大的勁才能做出區分。“一旦發現了異常現象，你如何知道它是新的物理學發現，還是探測器本身的故障呢？”ATLAS項目的物理學家蒂爾·艾菲特（Till Eifert）問道。

　　翻譯：何無魚

　　校對：李莉

　　編輯：漫倩

　　來源：Quanta Magazine

　　造就：劇院式演講，發現創造力 更多精彩内容，敬請點擊藍字“了解更多”。

　　,

更多精彩资讯请关注tft每日頭條，我们将持续为您更新最新资讯!