位于欧洲粒子物理研究所的大型强子对撞机(LHC)是目前世界上最大的粒子加速器，在其中进行的实验每秒钟产生约十亿字节(GB，十亿字节)的数据。即使经过压缩，LHC在一小时内积累的数据也相当于社交网站脸书一整年收集的数据。如此庞大的数据量给存储和分析带来了很大的问题。幸运的是，粒子物理学家不必自己处理所有这些数据。他们与一种名为机器学习的人工智能(AI)合作处理数据。
美国能源部斯坦福直线加速器中心(SLAC)和费米国家加速器实验室的科学家在8月2日发表在《自然》杂志上的一篇文章中总结了机器学习在粒子物理领域的当前应用和未来前景。
论文的合著者亚历山大·拉多维奇(Alexander Radovic)表示:“机器学习算法知道如何进行各种分析，这有望为我们节省无数小时的设计和分析工作。”拉多维奇目前正在参加费米实验室的NuMI离轴中微子实验(NOVA)。
机器学习筛选大数据
机器学习在分析领域被证明是非常成功的。为了处理像LHC这样的现代实验中产生的大量数据，研究人员应用了所谓的“触发器”——特殊的硬件和软件，可以实时决定哪些数据可以保存下来进行分析，哪些数据可以丢弃。
作者之一、麻省理工学院的迈克·威廉姆斯(Mike Williams)表示，机器学习算法可以做出至少70%的这些决定。威廉姆斯目前正在参与LHCb实验，该实验可以帮助科学家揭示为什么宇宙中的物质远远多于反物质。
LHC的巨大环形仪器(ATLAS)和紧凑型光子线圈(CMS)可以找到希格斯玻色子。每个探测器都有数百万个传感器，它们的信号需要放在一起才能得到有意义的结果。SLAC的迈克尔·卡根说:“这些信号构成了一个复杂的数据空间。我们需要了解它们之间的关系并得出结论，例如，探测器中一个粒子的轨迹是由电子、光子还是其他东西产生的。”
中微子实验也受益于机器学习。NOVA研究中微子穿越地球时如何从一种类型变成另一种类型。这些中微子振荡可能会揭示一种新型中微子的存在。一些理论认为这种中微子是一种暗物质粒子。NOVA的探测器正在监测中微子撞击探测器材料时产生的带电粒子，机器学习算法可以识别它们。
确定模拟的特征。
日益复杂和精密的机器学习算法为解决粒子物理问题开辟了前所未有的机会。机器学习的最新发展——所谓深度学习，也就是神经网络的使用，改进了粒子物理学家的实验方法。
卡根表示，他们可以使用深度学习的许多新任务都与计算机视觉有关。“它类似于面部识别，但在粒子物理中，图像特征比耳朵和鼻子更抽象。”
像NOVA这样的实验产生的数据可以很容易地转换成实际的图像，AI可以很容易地从中识别出特征。Radovic说，“即使数据看起来不像图像，如果我们能够以正确的方式处理数据，我们仍然可以使用计算机视觉。这种方法非常有用的一个领域是大型强子对撞机产生的大量粒子喷流的分析。”
深度学习的另一个新兴应用是粒子物理数据的模拟，例如预测粒子在LHC碰撞时会发生什么，并将其与实际数据进行比较。传统模拟通常很慢，需要巨大的计算能力，而AI可以更快地模拟。
卡根说:“虽然这是一项非常早期的工作，但它显示了很大的希望，可能有助于应对未来的数据挑战。”
质疑促进进步
尽管取得了明显的进步，但机器学习爱好者经常不得不面对合作伙伴的提问，部分原因是机器学习算法大多数时候就像“黑匣子”，很少提供关于它们如何得出某个结论的信息。
威廉姆斯认为:“质疑是一件好事。如果你使用机器学习作为丢弃数据的触发器，就像我们在LHCb中所做的那样，那么你需要非常谨慎，并设定非常高的标准。因此，在粒子物理领域建立机器学习需要不断的努力，以更好地理解算法的内部工作原理，并尽可能与实际数据进行交叉校验。”
论文合著者、在MicroBooNE中微子实验工作的SLAC研究员Kazuo Temple说:“在AI的应用中，我们应该不断尝试，并始终评估结果。质疑不应该成为我们前进的障碍。今天，我们主要使用机器学习在数据中寻找特征。十年后，机器学习算法可能能够独立提问，并在发现新物理时识别它们。”