在尋找新基本粒子過程中，物理學家們總要對粒子行為做出假設，新機器學習算法卻沒有假設這一階段。大型強子對撞機(LHC)每秒能撞擊10億對質子，偶爾還會產生出一些足以震驚現實的新東西。但由於這些隨機出現的事件本身就是一個驚喜，物理學家們也不知道該去尋找什麼信息。在將數十億次碰撞數據篩選成更易於管理的數據過程中，物理學家擔心無意中刪除了新物理學的證據。紐約大學粒子物理學家凱爾克蘭默在歐洲核子研究中心的阿特拉斯實驗中說：我們總是擔心“把孩子和洗澡水一起倒掉”。
今年四月大型強子對撞機內部的碰撞展示了單個帶電粒子（橙色線）和大粒子射流（黃色圓錐體）。圖片：ATLAS Experiment 2018 CERN
面臨智能數據減少的挑戰，一些物理學家正在嘗試使用一種叫做“深度神經網絡”機器學習技術（人工智能）來從如海洋一般的常見事件中檢索新物理現象。在典型用例中，深度神經網絡從一堆標記為“貓”和“狗”的照片中學會了區分貓和狗，但這種方法並不適用於尋找新粒子。因為物理學家們無法給機器提供未曾見過的事物照片。因此他們把研究方向轉向“弱監督學習”，即機器從已知粒子出發，利用更少的顆粒信息尋找罕見事件，比如它們可能發生的頻率。
今年5月發表在《arxiv》的一篇論文中，三位研究人員提出了一種相關策略以擴展“撞擊搜尋”，這一技術用於搜索希格斯玻色子經典粒子。據勞倫斯伯克利國家實驗室的研究員本納克曼（論文作者之一）說：這一技術最終目的是訓練機器在數據集中找出罕見的變化。把貓和狗作為一個小型例子，並且試圖在北美森林觀測數據集中發現一種新物種。假設任何新動物都有可能會聚集在某個地理區域(這個概念對應於圍繞某個質量聚集的新粒子)，該算法應該能夠系統地比較鄰近區域來識別它們。
如果不列顛哥倫比亞省恰好有113頭馴鹿，而華盛頓州只有19頭(即使在數百萬松鼠的背景下也是如此)，該項目將學習如何從松鼠中對馴鹿進行分類，而無需直接研究馴鹿。俄勒岡大學理論粒子物理學家蒂姆也研究了弱監管，這並不是魔術，但感覺就像變魔術一樣神奇。相比之下，粒子物理學中的傳統搜索通常需要研究人員對新現象做出假設。比如建立一個新粒子如何運動的模型：一個新粒子可能會衰變為特定的已知粒子群。只有研究人員定義了他們要尋找的東西之後，才能制定出相應的搜索策略。
這項任務通常至少需要花費博士生一年時間，納克曼認為在某種情況下這項任務可以完成地更快、更徹底。CWoLa算法代表著無標籤分類，可以搜索任何未知粒子的現有數據，比如該未知粒子衰減為兩個較輕未知類型的相同粒子，或兩個已知相同或不同類型的粒子。使用普通搜索方法，LHC至少需要20年的協作時間來排查後者的可能性，並且沒有對前者進行搜索。但CWoLa可以一次完成所有的任務。
其他實驗粒子物理學家也認為這一項目值得深入研究。ATLAS項目尋找新粒子碰撞物理學家凱特帕查爾說：我們已經研究了很多可預測區域，所以查缺補漏是下一研究的重要方向，去年與一些同事討論了嘗試設計一款能夠處理一系列粒子質量靈活軟件的想法，但沒有人對機器學習有足夠了解，但現在，是時候試試了。人們希望神經網絡能夠在數據中發現微妙關聯，從而抵制當前的建模工作。其他機器學習技術已經成功地提高了大型強子對撞機的某些任務效率，比如識別由底夸克粒子構成的“噴流”。
這項工作無疑讓物理學家們忽略了一些細節。加州大學歐文分校粒子物理學家丹尼爾懷特森說：把信息放在桌子上，但當你花100億美元買一臺機器時，你就不會想把信息放在桌子上。然而，機器學習中充斥著將手臂與啞鈴混淆的程序警示事件；在大型強子對撞機上，一些人擔心這些捷徑最終會映射出機器自身問題，而實驗物理學家們卻煞費苦心地故意忽略了這一點。一旦有異常出現，它是新物理現象，還是探測器發生了故障？看到這，你有什麼好想法呢？
博科園-科學科普｜文：Charlie Wood/Quanta magazine/Quanta Newsletter
博科園-傳遞宇宙科學之美
閱讀原文進入可下載iOS或安卓App：博科園
閱讀更多 科學之美 的文章
