粒子物理學家使用神經網路來研究中微子

在某些技術為大眾所知之前，粒子物理學家就開始廣泛的使用這些技術了。例如萬維網，這項由CERN發明的技術已經成為了現代互聯網的基礎技術之一。再例如，現在流行的神經網路和機器學習。

這方面最早的例子可以追溯到20世紀60年代，當時物理學家們使用氣泡室來尋找肉眼看不見的粒子。氣泡室容器里充滿了透明的過熱液體，最輕微的能量增加，例如有帶電粒子通過導致液體電離，也會導致它產生氣泡，並觸發相機進行拍照。

氣泡室

最初是由女性研究人員負責檢查這些照片記錄下來的軌跡，因為她們一般比較細心。物理學家Paul Hough發明了模式識別的Hough變換，用來識別這些軌跡，從而把這個繁重的任務交給了機器。

氣泡室記錄的軌跡

計算機學界後來將Hough變換用於計算機視覺等應用，試圖訓練計算機獲得人眼的複雜功能。

印第安那大學的物理學家Mark Messier說，這兩個社區之間總是有一些小互動的。

此後，機器學習領域迅速發展。深度學習是一種模仿人類大腦的人工智慧，已被廣泛應用於識別人臉，玩電子遊戲 ，甚至合成政客的生活錄像。

深度學習可以給圖片上色

多年來，幫助科學家從本底數據中挑選感興趣的信息的演算法已經廣泛用於多個粒子物理實驗，例如美國SLAC國家加速器實驗室的BaBar實驗，歐洲CERN的大型電子正電子對撞機（LEP）和美國費米國家加速器實驗室的Tevatron實驗。 最近，在大型數據集裡面學習識別模式的演算法對於研究難以捕捉的稱為中微子的粒子的物理學家來說非常方便。

這包括NOvA實驗的科學家，他們研究由位於芝加哥的費米實驗室所產生的中微子。 中微子穿過地球打中一個位於美國和加拿大邊境上的14000標準噸的探測器，裡面裝滿了液體閃爍體。

當中微子撞擊液體閃爍體時，它釋放出一連串的粒子。探測器收集有關這些粒子的圖案和能量的信息。科學家則利用這些信息來理解中微子事件裡面發生了什麼。

NOvA是一個研究中微子振蕩的實驗

Messier說："我們的工作就像重建犯罪現場。中微子在探測器中相互作用並留下痕迹 - 我們隨之利用我們觀測到的信息來試圖弄清中微子的類型。"

在過去的幾年中，科學家開始使用卷積神經網路（CNN）來完成這個任務 。

CNN以哺乳動物視覺皮層為模型，它被廣泛應用於科技行業，例如改善自動行駛的汽車的計算機視覺。這些網路由多層組成，這些層有點像過濾器：它們包含密集的相互連接的節點，這些節點擁有數值或權重，在輸入值通過時進行調整和優化。

辛辛那提大學的助理教授Adam Aurisano解釋說：""深度"的命名來源於它有很多層。（使用深度學習）你可以使用幾乎最原始的數據，並通過讓其通過那些可學習的過濾器堆疊，從而提取了近乎最優的特徵。

CNN方法可以用來提取一個圖像的特徵並應用到另一個圖像上

例如，這些演算法可以從通過在粒子探測器中記錄不同能量沉積模式而收集的"圖像"中提取具有不同複雜度的粒子相互作用有關的細節。

Aurisano說："這些過濾器的堆疊已經對圖像進行了切割和分塊，並提取了我們以前試圖重建的物理上有意義的信息。

CNN可以在不重建事件的情況下用來對事件進行分類，也可以使用一種名為語義分割的方法來重建粒子之間的相互作用。

Aurisano解釋說，比如當其應用於一個桌子的圖像時，該方法將標記與其關聯的每個像素，從而來重建對象。同樣，科學家可以標記與中微子相互作用特徵相關的每個像素，然後使用演算法重構事件。

物理學家正在使用這種方法來分析從MicroBooNE中微子探測器收集的數據。

MicroBooNE中微子實驗的探測器正在吊裝入位

SLAC國家加速器實驗室的科學家Kazuhiro Terao說："這個過程的好處在於，你可能發現你的網路所產生的一個結果和你的模型中的任何解釋都不相符合。這可能是新物理。所以我們可以使用這些工具來找到我們可能不了解的東西。"

在其它粒子物理實驗，例如CERN的大型強子對撞機，工作的科學家，也在使用深度學習進行數據分析。

加州大學埃爾文分校的計算機科學家Pierre Baldi說："所有這些大型物理實驗在機器學習方面都非常相似。它們都是與這些複雜的而昂貴的探測器相關的圖像，深度學習是針對本底雜訊提取信號的最佳方法。"

雖然目前大多數信息都是從計算機科學家到粒子物理學家，但其他領域也可能從這些實驗應用中獲得新的工具和方法。

例如，根據Baldi的說法，目前正在討論的一個問題是，科學家是否可以用最少的人工干預來編寫適合所有這些物理實驗的軟體。如果這個目標得以實現，那麼其他領域，如生物醫學成像，也能使用深度學習。 他說："[演算法]會查看數據並自行校準。這對機器學習方法來說是一個有趣的挑戰。"

Terao說，未來的另一個方向是讓機器提出問題，或者更簡單地說，能夠識別異常並嘗試找出解釋方法。

他說："如果人工智慧能夠提出一個問題，並提出一個合理的順序來解決這個問題，那麼這就取代了人。 "對我來說，希望看到的那種人工智慧是一個可以做科學研究物理研究人員。"

如果你想了解更多的科學知識，請關注暗中觀察的小動物。

喜歡這篇文章嗎？立刻分享出去讓更多人知道吧！