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）