人工智能在希格斯玻色子的应用

欧洲核子研究中心的粒子物理学家在2012年发现了希格斯玻色子。现在，人们的任务是进一步了解其性质。 人工智能在其中起着至关重要的作用。

今天是星期天。 您和我正在公园散步。 我们的狗冥王星在我们周围蹦蹦跳跳，渴望玩耍。 你扔一根棍子抓住它。

然后你转向我。 '你曾经在希格斯玻色子上工作，对吗？

'好！ 那是发现后的四年。'

'如果已经发现，该怎么办？'

'好吧，我们现在知道希格斯玻色子的存在。 但是它的许多特性仍然未知。 我和我的同事正在研究如何找出希格斯玻色子是否会在粒子对撞机内衰减成暗物质的策略。'

'因此，希格斯玻色子断裂，而残余物是暗物质？'

人工智能可能会揭开希格斯玻色子的奥秘

'那是理论，是的。 我们不确定这是否真的发生。 但是值得研究。 因此，我和我的同事考虑了如何检测到这些衰变（如果存在）。 而且我们发现人工智能是做到这一点的最佳方法。'

'AI？ 怎么样？'

'为此，您首先需要了解我们要解决的问题。

'在CERN，当两个粒子以非常高的能量碰撞时，粒子探测器会捕获发生的情况。 每种类型的粒子（例如夸克或希格斯玻色子）都会在粒子检测器中留下特征性的痕迹。 如果我们将这些痕迹放在一起，就可以重建两个粒子碰撞期间发生的过程。'

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

'那么您使用AI找出发生了哪些过程？'

'不是那么快！ 让我解释。

'在某些碰撞中，会产生希格斯玻色子。 但是希格斯玻色子的寿命很短，因此会迅速衰减成其他粒子。 这些可能是夸克或其他玻色子，或者可能是暗物质粒子。 后者我们称为信号事件-碰撞，其中暗物质位于生成的粒子中。

'当然，我们可以简单地在检测器注册的许多过程中搜索信号-我们说的是每秒发生十亿次碰撞。

'问题在于，有些事件看上去确实与信号相似。 但实际上它们是不同的过程。 这些我们称为背景事件。 而且我们不希望那些人歪曲我们的数据。 因此，我们的任务是教检测器区分信号与背景。'

'人工智能在这里如何发挥作用？'

'如果没有AI，我们只会查看信号的不同属性，然后将数据集剪切到几乎找不到的位置。

'例如，人们可以利用夸克的数量作为希格斯玻色子向暗物质衰变的副产物而发出。 除暗物质粒子外，根据过程的基本物理原理，我们可能还会产生两次夸克。 有时可能会有更多的夸克，有时会少一些。 可能存在统计差异。

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，我们可以从没有发现夸克或不超过夸克的数据集中删除碰撞。 我们可以很有把握地说，它们不是信号事件。 这样，我们改进了数据集，因为它包含的背景比以前少了。'

'这是AI发挥作用的地方吗？'

'对，就是这样。 聪明的是，我们可以使AI算法学习信号事件的属性。 这使我们的工作变得容易得多，因为这意味着我们不一定需要了解很多基础物理知识。'

'你很懒-不研究基础物理学！'

'我称之为高效。'

'好吧。 人工智能如何学习信号是什么，背景是什么？'

'有很多不同的方法。 在我们的案例中，我们使用了非常简单的算法，称为决策树。 基本原理是，您首先使用伪数据集训练算法。 该数据集来自计算机模拟，仅包含已经正确标记为信号或背景的事件。

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

'决策树将随机剪切应用于训练集，然后检查其是否将信号与背景分离。 然后，它会反复出现，直到找到最佳的裁切效果为止。'

'但是为什么你不能手动做呢？'

'我们是手动进行的-但需要大量有关基础流程的知识，否则将需要很长时间。 而且，由于信号的属性通常相互依赖，因此很快变得复杂。

'例如，在信号碰撞中发出的两个夸克可能彼此之间有一定距离。 但是可能还有其他涉及三个夸克的信号事件。 在这种情况下，三个夸克之间的距离可能会不同。 因此，我们不能只在夸克之间切一段距离。 决策树非常适合考虑此类依赖关系。'

'因此，在某种程度上，机器比您更了解！"

'真正！ 这有助于我们发现希格斯玻色子的特性。'

您再次向冥王星投掷棍子。

"这对希格斯有什么帮助？"

'使用AI，我们可以生成非常好的数据集，其中包含大量信号和少量背景事件。 在我们的案例中，信号事件是碰撞，此后希格斯玻色子衰减为暗物质。

'现在，我们要做的就是计算发现的信号事件的数量。 如果我们发现一定数量，就可以说我们发现了希格斯玻色子对暗物质的衰变！'

'你发现了吗？'

'不。 至少-尚未。 我们的论文只是实现这一发现的众多步骤之一。 研究需要时间！'

希格斯玻色子的未来仍然令人兴奋

'看看您是否会发现它将会很有趣！ 还是这些衰变甚至不存在。'

'等着瞧！'

'我肯定会…实际上，我认为AI真的很难理解。 但是现在看来还不算疯狂。'

'公平地说，我们使用了现有的最简单的AI工具之一。 如今，科学家经常使用更复杂的算法，包括监督式深度学习和GAN。 但是，如果您愿意，我们可以再谈一谈。'

"我很乐意！"当您试图从我们狗的嘴里摆动棍子时，您大叫。 "拜托冥王星，我们要回家了！"