欧洲核子研究组织的大型强子对撞机（LHC）目前是世界上最大的粒子加速器。在其中进行的实验每秒产生大约一百万千兆字节（GB，十亿字节）。数据。即使经过压缩，LHC在一个小时内累积的数据量也可以与全年中社交网站Facebook收集的数据量相媲美。如此大量的数据给存储和分析带来了很大的困难。幸运的是，粒子物理学家不必自己处理所有这些数据。他们与一种称为机器学习的人工智能（AI）协同工作，以处理这些数据。美国能源部斯坦福线性加速器中心（SLAC）和费米国家加速器实验室的科学家在8月2日的《自然》杂志上发表了一篇文章，总结了机器学习在粒子物理学领域的当前应用以及未来前景。该论文的合著者，美国威廉和玛丽学院的亚历山大·拉多维奇（Alexander Radovich）说：“机器学习算法知道如何执行各种分析。预计这将为我们节省无数的设计和分析工作时间。” Radovich目前正在工作。参加了费米实验室的NuMI离轴中微子实验（NOVA）。机器学习筛选大数据机器学习在分析领域已被证明非常成功。为了处理像大型强子对撞机那样在现代实验中生成的大量数据，研究人员使用了所谓的“触发”专用硬件和软件，可以实时确定可以保存哪些数据进行分析，以及哪些数据可以丢弃。该论文的作者之一，麻省理工学院的Mike Williams说，机器学习算法可以做出至少70％的决策。威廉姆斯目前正在参与LHCb实验，该实验可以帮助科学家揭示为什么宇宙中存在的物质比反物质多得多。大型强子对撞机中的巨大环形仪器（ATLAS）和紧凑型μ子线圈（CMS）可以检测希格斯玻色子。每个检测器都有数百万个传感元件，需要将它们的信号放在一起以获得有意义的结果。 SLAC的Michael Kagan说：“这些信号形成了一个复杂的数据空间。我们需要了解它们之间的关系并得出结论，例如，探测器中某个粒子的轨迹是否由电子，光子或其他物质组成。生产出来的。”中微子实验也得益于机器学习。 NOVA研究了中微子在穿过地球时如何从一种类型转变为另一种类型。这些中微子振荡可能潜在地揭示了新型中微子的存在。一些理论认为这种中微子是暗物质的粒子。 NOVA的探测器正在监视中微子撞击探测器材料时产生的带电粒子，并且机器学习算法可以识别它们。识别功能并模拟机器学习算法变得越来越复杂，这为解决粒子物理问题提供了前所未有的机会。使用神经网络的机器学习的最新发展，即所谓的深度学习，改善了粒子物理学家的实验方法。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。 “它类似于面部识别，只是在粒子物理学中，图像特征比耳朵和鼻子更抽象。”像NOVA生产的数据这样的实验可以轻松地转换为实际图像，而AI可以轻松地从中识别特征。 Radovich说：“即使数据看起来不像图像，如果我们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方面是对大型强子对撞机的影响。分析了大量的粒子射流。”深度学习的另一个新兴应用是粒子物理数据的模拟，例如预测大型强子对撞机中粒子碰撞将发生什么并将其与实际数据进行比较。传统的仿真通常很慢并且需要巨大的计算能力，而AI可以更快地执行仿真。卡根说：“尽管这是一项非常早期的工作，但它显示了很大的希望，并可能有助于应对未来的数据挑战。”质疑进步的动机尽管取得了明显的进步，但是机器学习爱好者经常需要面对合作伙伴的部分怀疑，那就是机器学习算法就像是“黑匣子”一样。大多数情况下，他们很少提供有关如何得出特定结论的信息。威廉姆斯认为：“质疑是一件好事。如果像我们在LHCb中一样使用机器学习作为触发来丢弃数据的触发器，则需要非常小心，并且