人工智能在希格斯玻色子的應(yīng)用

歐洲核子研究中心的粒子物理學(xué)家在2012年發(fā)現(xiàn)了希格斯玻色子?，F(xiàn)在，人們的任務(wù)是進(jìn)一步了解其性質(zhì)。 人工智能在其中起著至關(guān)重要的作用。

今天是星期天。 您和我正在公園散步。 我們的狗冥王星在我們周圍蹦蹦跳跳，渴望玩耍。 你扔一根棍子抓住它。

然后你轉(zhuǎn)向我。 '你曾經(jīng)在希格斯玻色子上工作，對(duì)嗎？

'好！ 那是發(fā)現(xiàn)后的四年。'

'如果已經(jīng)發(fā)現(xiàn)，該怎么辦？'

'好吧，我們現(xiàn)在知道希格斯玻色子的存在。 但是它的許多特性仍然未知。 我和我的同事正在研究如何找出希格斯玻色子是否會(huì)在粒子對(duì)撞機(jī)內(nèi)衰減成暗物質(zhì)的策略。'

'因此，希格斯玻色子斷裂，而殘余物是暗物質(zhì)？'

人工智能可能會(huì)揭開希格斯玻色子的奧秘

'那是理論，是的。 我們不確定這是否真的發(fā)生。 但是值得研究。 因此，我和我的同事考慮了如何檢測到這些衰變（如果存在）。 而且我們發(fā)現(xiàn)人工智能是做到這一點(diǎn)的最佳方法。'

'AI？ 怎么樣？'

'為此，您首先需要了解我們要解決的問題。

'在CERN，當(dāng)兩個(gè)粒子以非常高的能量碰撞時(shí)，粒子探測器會(huì)捕獲發(fā)生的情況。 每種類型的粒子（例如夸克或希格斯玻色子）都會(huì)在粒子檢測器中留下特征性的痕跡。 如果我們將這些痕跡放在一起，就可以重建兩個(gè)粒子碰撞期間發(fā)生的過程。'

Traces of a collision in the CMS detector where a Higgs boson is produced. Courtesy of CERN

'那么您使用AI找出發(fā)生了哪些過程？'

'不是那么快！ 讓我解釋。

'在某些碰撞中，會(huì)產(chǎn)生希格斯玻色子。 但是希格斯玻色子的壽命很短，因此會(huì)迅速衰減成其他粒子。 這些可能是夸克或其他玻色子，或者可能是暗物質(zhì)粒子。 后者我們稱為信號(hào)事件-碰撞，其中暗物質(zhì)位于生成的粒子中。

'當(dāng)然，我們可以簡單地在檢測器注冊(cè)的許多過程中搜索信號(hào)-我們說的是每秒發(fā)生十億次碰撞。

'問題在于，有些事件看上去確實(shí)與信號(hào)相似。 但實(shí)際上它們是不同的過程。 這些我們稱為背景事件。 而且我們不希望那些人歪曲我們的數(shù)據(jù)。 因此，我們的任務(wù)是教檢測器區(qū)分信號(hào)與背景。'

'人工智能在這里如何發(fā)揮作用？'

'如果沒有AI，我們只會(huì)查看信號(hào)的不同屬性，然后將數(shù)據(jù)集剪切到幾乎找不到的位置。

'例如，人們可以利用夸克的數(shù)量作為希格斯玻色子向暗物質(zhì)衰變的副產(chǎn)物而發(fā)出。 除暗物質(zhì)粒子外，根據(jù)過程的基本物理原理，我們可能還會(huì)產(chǎn)生兩次夸克。 有時(shí)可能會(huì)有更多的夸克，有時(shí)會(huì)少一些。 可能存在統(tǒng)計(jì)差異。

Schematic overview of the signal and background events and their respective number of quarks. If one selects only the events that have one, two or three quarks, one gets a dataset with less background events. Image by the author

'因此，在本示例中，我們可以從沒有發(fā)現(xiàn)夸克或不超過夸克的數(shù)據(jù)集中刪除碰撞。 我們可以很有把握地說，它們不是信號(hào)事件。 這樣，我們改進(jìn)了數(shù)據(jù)集，因?yàn)樗谋尘氨纫郧吧倭恕?#39;

'這是AI發(fā)揮作用的地方嗎？'

'對(duì)，就是這樣。 聰明的是，我們可以使AI算法學(xué)習(xí)信號(hào)事件的屬性。 這使我們的工作變得容易得多，因?yàn)檫@意味著我們不一定需要了解很多基礎(chǔ)物理知識(shí)。'

'你很懶-不研究基礎(chǔ)物理學(xué)！'

'我稱之為高效。'

'好吧。 人工智能如何學(xué)習(xí)信號(hào)是什么，背景是什么？'

'有很多不同的方法。 在我們的案例中，我們使用了非常簡單的算法，稱為決策樹。 基本原理是，您首先使用偽數(shù)據(jù)集訓(xùn)練算法。 該數(shù)據(jù)集來自計(jì)算機(jī)模擬，僅包含已經(jīng)正確標(biāo)記為信號(hào)或背景的事件。

Machine learning algorithms, such as decision trees, can improve the quality of datasets much faster. Photo by Javier Allegue Barros on Unsplash

'決策樹將隨機(jī)剪切應(yīng)用于訓(xùn)練集，然后檢查其是否將信號(hào)與背景分離。 然后，它會(huì)反復(fù)出現(xiàn)，直到找到最佳的裁切效果為止。'

'但是為什么你不能手動(dòng)做呢？'

'我們是手動(dòng)進(jìn)行的-但需要大量有關(guān)基礎(chǔ)流程的知識(shí)，否則將需要很長時(shí)間。 而且，由于信號(hào)的屬性通常相互依賴，因此很快變得復(fù)雜。

'例如，在信號(hào)碰撞中發(fā)出的兩個(gè)夸克可能彼此之間有一定距離。 但是可能還有其他涉及三個(gè)夸克的信號(hào)事件。 在這種情況下，三個(gè)夸克之間的距離可能會(huì)不同。 因此，我們不能只在夸克之間切一段距離。 決策樹非常適合考慮此類依賴關(guān)系。'

'因此，在某種程度上，機(jī)器比您更了解！"

'真正！ 這有助于我們發(fā)現(xiàn)希格斯玻色子的特性。'

您再次向冥王星投擲棍子。

"這對(duì)希格斯有什么幫助？"

'使用AI，我們可以生成非常好的數(shù)據(jù)集，其中包含大量信號(hào)和少量背景事件。 在我們的案例中，信號(hào)事件是碰撞，此后希格斯玻色子衰減為暗物質(zhì)。

'現(xiàn)在，我們要做的就是計(jì)算發(fā)現(xiàn)的信號(hào)事件的數(shù)量。 如果我們發(fā)現(xiàn)一定數(shù)量，就可以說我們發(fā)現(xiàn)了希格斯玻色子對(duì)暗物質(zhì)的衰變！'

'你發(fā)現(xiàn)了嗎？'

'不。 至少-尚未。 我們的論文只是實(shí)現(xiàn)這一發(fā)現(xiàn)的眾多步驟之一。 研究需要時(shí)間！'

希格斯玻色子的未來仍然令人興奮

'看看您是否會(huì)發(fā)現(xiàn)它將會(huì)很有趣！ 還是這些衰變甚至不存在。'

'等著瞧！'

'我肯定會(huì)…實(shí)際上，我認(rèn)為AI真的很難理解。 但是現(xiàn)在看來還不算瘋狂。'

'公平地說，我們使用了現(xiàn)有的最簡單的AI工具之一。 如今，科學(xué)家經(jīng)常使用更復(fù)雜的算法，包括監(jiān)督式深度學(xué)習(xí)和GAN。 但是，如果您愿意，我們可以再談一談。'

"我很樂意！"當(dāng)您試圖從我們狗的嘴里擺動(dòng)棍子時(shí)，您大叫。 "拜托冥王星，我們要回家了！"