歐洲核子研究中心的粒子物理學家在2012年發(fā)現(xiàn)了希格斯玻色子。現(xiàn)在，人們的任務是進一步了解其性質(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在粒子對撞機內(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，當兩個粒子以非常高的能量碰撞時，粒子探測器會捕獲發(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。 后者我們稱為信號事件-碰撞，其中暗物質(zhì)位于生成的粒子中。

'當然，我們可以簡單地在檢測器注冊的許多過程中搜索信號-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與信號相似。 但實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，我們的任務是教檢測器區(qū)分信號與背景。'

'人工智能在這里如何發(fā)揮作用？'

'如果沒有AI，我們只會查看信號的不同屬性，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，我們可能還會產(chǎn)生兩次夸克。 有時可能會有更多的夸克，有時會少一些。 可能存在統(tǒng)計差異。

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，它們不是信號事件。 這樣，我們改進了數(shù)據(jù)集，因為它包含的背景比以前少了。'

'這是AI發(fā)揮作用的地方嗎？'

'對，就是這樣。 聰明的是，我們可以使AI算法學習信號事件的屬性。 這使我們的工作變得容易得多，因為這意味著我們不一定需要了解很多基礎(chǔ)物理知識。'

'你很懶-不研究基礎(chǔ)物理學！'

'我稱之為高效。'

'好吧。 人工智能如何學習信號是什么，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)集訓練算法。 該數(shù)據(jù)集來自計算機模擬，僅包含已經(jīng)正確標記為信號或背景的事件。

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

'決策樹將隨機剪切應用于訓練集，然后檢查其是否將信號與背景分離。 然后，它會反復出現(xiàn)，直到找到最佳的裁切效果為止。'

'但是為什么你不能手動做呢？'

'我們是手動進行的-但需要大量有關(guān)基礎(chǔ)流程的知識，否則將需要很長時間。 而且，由于信號的屬性通常相互依賴，因此很快變得復雜。

'例如，在信號碰撞中發(fā)出的兩個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夸克的信號事件。 在這種情況下，三個夸克之間的距離可能會不同。 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，其中包含大量信號和少量背景事件。 在我們的案例中，信號事件是碰撞，此后希格斯玻色子衰減為暗物質(zhì)。

'現(xiàn)在，我們要做的就是計算發(fā)現(xiàn)的信號事件的數(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。 我們的論文只是實現(xiàn)這一發(fā)現(xiàn)的眾多步驟之一。 研究需要時間！'

希格斯玻色子的未來仍然令人興奮

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

'等著瞧！'

'我肯定會…實際上，我認為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，科學家經(jīng)常使用更復雜的算法，包括監(jiān)督式深度學習和GAN。 但是，如果您愿意，我們可以再談一談。'

"我很樂意！"當您試圖從我們狗的嘴里擺動棍子時，您大叫。 "拜托冥王星，我們要回家了！"