识别特征 进行模拟
机器学习算法日益复杂和精细,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——所谓的深度学习,即使用神经网络,改进了粒子物理学家们的实验方式。
卡根说,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,“它与面部识别相似,只是在粒子物理学中,图像特征比耳朵和鼻子更抽象。”
像NOVA这类实验产生的数据很容易转化为实际图像,AI可以很容易地从中识别特征。拉多维奇说:“即使数据看起来不像图像,如果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方法。这种方法非常有用的一个领域是,对大型强子对撞机产生的大量粒子射流进行分析。”
深度学习的另一个新兴应用是粒子物理学数据的模拟,如预测LHC中的粒子碰撞会发生什么,并与实际数据比较。传统模拟通常很慢且需要巨大的计算能力,而AI可以更快地进行模拟。
卡根说:“虽然这是非常早期的工作,但它显示出许多希望,并可能有助于应对未来的数据挑战。”
质疑促进进步
尽管有明显进步,但机器学习爱好者经常需要面对来自合作伙伴的质疑,部分原因是机器学习算法大多数时候就像“黑匣子”,很少能提供关于它们如何得出某个结论的信息。
威廉姆斯认为:“质疑是好事,如果你将机器学习用做丢弃数据的触发器,就像我们在LHCb中所做的那样,那么你需要非常谨慎并设置非常高的标准。因此,在粒子物理学领域建立机器学习需要不断努力,以更好地理解算法的内部工作原理,并尽可能地与实际数据进行交叉检查。”
论文共同作者、工作于MicroBooNE中微子实验的SLAC研究员寺尾一宽(音译)说:“在应用AI方面,我们应该不断尝试,并始终对结果进行评估。质疑不应成为我们前进的障碍。今天我们主要使用机器学习来查找数据中的特征,10年后,机器学习算法或许可以独立地提出问题,并在发现新物理学时识别它们。”
(科技日报北京8月6日电)