ATLAS 事情显示了本研讨中神经网络发觉的与尺度模型展望偏差最大的八个事情之一。（来源：欧洲核子研讨中心）

编辑 | X

粒子物理学家的任务是挖掘大量不断增长的碰撞数据，寻觅尚未发觉的粒子证据。特别是，他们正在寻觅未包含在粒子物理尺度模型中的粒子，科学家怀疑我们目前对宇宙构成的明白是不完整的。

近日，来自 ATLAS 合作组的 172 个研讨机构的科学家，使用一种受大脑启发的机器学习算法——神经网络，来筛选大量粒子碰撞数据，搜索数据中的非常十分特征或非常十分现象。

研讨团队使用一种称为非常十分检测的机器学习方法来阐明大量 ATLAS 数据。此前该方法从未应用于对撞机实行的数据。

神经网络发觉了一个非常十分现象。能量约为 4.8 太电子伏（TeV）的奇异粒子衰变会产生 μ 子和其他粒子射流，其方式不符合神经网络对尺度模型相互作用的明白。

该技术打破了寻觅新物理学的传统方法。它独立于科学家的先入之见，因此不受其限制。

该研讨以「Search for New Phenomena in Two-Body Invariant Mass Distributions Using Unsupervised Machine Learning for Anomaly Detection at √s=13 TeV with the ATLAS Detector」为题，发表在《Physical Review Letters》上。

论文链接：https://doi.org/10.1103/PhysRevLett.132.081801

10 来年，ATLA 实行还没发觉任何新粒子

传统上，ATLAS 科学家依靠理论模型来指导他们的实行和阐明，朝着最有希望发觉的方向发展。这通常涉及执行复杂的计算机模拟，来确定碰撞数据的某些方面根据尺度模型（Standard model，SM）会是什么样子。

科学家将这些尺度模型展望与 ATLAS 的真实数据进行比较。他们还将它们与新物理模型做出的展望进行比较，例如那些试图解释暗物质和尺度模型未解释的其他现象的展望。

但到目前为止，在 ATLAS 记录的数十亿次碰撞中，尚未观察到任何偏离尺度模型的现象。自 2012 年发觉希格斯玻色子（Higgs boson）以来，ATLA 实行还没有发觉任何新粒子。

神经网络阐明约 1.6 亿个事情

该研讨的主要作者、阿贡高能物理部门的物理学 Sergei Chekanov 说，「非常十分检测是一种非常不同的搜索方式，我们的目标不是寻觅非常具体的偏差，而是在完全未经探索的数据中找到不寻常的特征，这些特征可能与我们的理论展望不同。」

图示：数据和五个基准 BSM（beyond the SM）模型的自动编码器非常十分分数的分布。（来源：论文）

为了执行此类阐明，科学家将数据中的每个粒子相互作用表示为类似于二维码的图象。然后，该团队通过将神经网络暴露于 1% 的图象来训练其神经网络。

该网络由大约 200 万个互连节点组成，类似于大脑中的神经元。在没有人类指导或干预的情况下，它可以识别并记住图象中表征尺度模型交互的像素之间的相关性。换句话说，它学会了识别符合尺度模型展望的典型事情。

训练结束后，科学家们将其余 99% 的图象输入神经网络，来检测非常十分情况。当给定图象作为输入时，神经网络的任务是利用其对整个数据的明白来重新创建图象。

Chekanov 说：「如果神经网络遇到新的或不寻常的东西，它就会感到困惑，并且很难重建图象。如果输入图象与其产生的输出之间存在很大差异，它会让我们知道在这个方向上可能有一些有趣的东西值得探索。」

利用阿贡实行室计算资源中心的计算资源，神经网络阐明了 2015 年至 2018 年收集的 LHC Run-2 数据中的约 1.6 亿个事情。

发觉非常十分现象

尽管神经网络在该数据集中没有发觉任何新物理学的明显迹象，但它确实发觉了一个科学家认为值得进一步研讨的非常十分现象。能量约为 4.8 太电子伏的奇异粒子衰变会产生 μ 子（一种基本粒子）和其他粒子射流，其方式不符合神经网络对尺度模型相互作用的明白。

图示：10 pb 非常十分区域的九个不变质量分布。（来源：论文）

「我们必须进行更多研讨，」Chekanov 说。「这可能是一种统计波动，但这种衰变有可能表明存在未被发觉的粒子。」

该团队计划将该技术应用于 2022 年开始的 LHC Run-3 期间收集的数据。ATLAS 科学家将继续探索机器学习和非常十分检测作为绘制粒子物理学未知领域工具的潜力。

参考内容：https://phys.org/news/2024-04-machine-reveal-undiscovered-particles-large.html