公眾號(hào)/? ScienceAI（ID：Philosophyai）

編輯 | 綠蘿

電子學(xué)在核物理領(lǐng)域從來都不是一帆風(fēng)順的。大型強(qiáng)子對(duì)撞機(jī)作為全球最強(qiáng)大的加速器，所產(chǎn)生的 數(shù)據(jù) 如此之多，使得全部記錄這些數(shù)據(jù)從來都不是一個(gè)可行的選擇。

因此，處理來自探測(cè)器的信號(hào)波的系統(tǒng)擅長(zhǎng)于「遺忘」——它們?cè)诓坏揭幻氲臅r(shí)間內(nèi)重建次級(jí)粒子的軌跡，并評(píng)估剛剛觀察到的碰撞是否可以被忽略，或者是否值得保存以供進(jìn)一步分析。然而，當(dāng)前重建粒子軌跡的方法很快將不再足夠。

波蘭科學(xué)院核物理研究所 (IFJ PAN) 的科學(xué)家通過研究表明，使用人工智能構(gòu)建的工具可能是當(dāng)前快速重建粒子軌跡方法的有效替代方法。它們的首次亮相可能會(huì)在未來兩到三年內(nèi)出現(xiàn)，或許是在支持尋找新物理的 MUonE 實(shí)驗(yàn)中。

該研究以《Machine Learning based Reconstruction for the MUonE Experiment》為題，于 2024 年 3 月 10 日發(fā)布在《Computer Science》上。

論文鏈接：https://doi.org/10.7494/csci.2024.25.1.5690

過去幾十年來，包括計(jì)算技術(shù)在內(nèi)的高能物理（HEP）實(shí)驗(yàn)領(lǐng)域取得了重大進(jìn)展。對(duì)新物理現(xiàn)象的探索是對(duì)所謂的標(biāo)準(zhǔn)模型的擴(kuò)展，即當(dāng)前關(guān)于自然界基本成分的基本行為及其相互作用的不完整的理論知識(shí)，導(dǎo)致在不斷增加的能量下進(jìn)行實(shí)驗(yàn)研究。

兩個(gè)粒子相互作用（碰撞事件）產(chǎn)生的粒子數(shù)量通常隨著碰撞能量的增加而增加。因此，必須重建大量帶電粒子（例如在質(zhì)子-質(zhì)子碰撞中），從而導(dǎo)致更復(fù)雜的事件模式。

圖示：高能物理實(shí)驗(yàn)中的事件示例，顯示多個(gè)粒子穿過探測(cè)器的軌跡。（來源：論文）
粒子在加速器中碰撞產(chǎn)生大量次級(jí)粒子級(jí)聯(lián)（cascade）。然后，處理從探測(cè)器傳來的信號(hào)的電子設(shè)備，有不到一秒的時(shí)間來評(píng)估某個(gè)事件是否值得保存以供以后分析。

在不久的將來，這項(xiàng)艱巨的任務(wù)可能會(huì)使用基于 AI 的算法來完成。

在現(xiàn)代高能物理實(shí)驗(yàn)中，從碰撞點(diǎn)發(fā)散的粒子穿過探測(cè)器的連續(xù)層，在每一層中沉積一點(diǎn)能量。實(shí)際上，這意味著如果探測(cè)器由十層組成，并且二次粒子穿過所有這些層，則必須基于十個(gè)點(diǎn)來重建其路徑。任務(wù)看似簡(jiǎn)單。

「探測(cè)器內(nèi)部通常有一個(gè)磁場(chǎng)。帶電粒子在其中沿著曲線移動(dòng)，這也是由它們激活的探測(cè)器元件（稱之為撞擊）相對(duì)于彼此定位的方式。」IFJ PAN 的 Marcin Kucharczyk 教授解釋道。

「實(shí)際上，所謂的探測(cè)器占用率，即每個(gè)探測(cè)器元件的命中次數(shù)，可能非常高，這在嘗試正確重建粒子軌跡時(shí)會(huì)導(dǎo)致許多問題。特別是，重建彼此靠近的軌道是一個(gè)很大的問題。」

旨在尋找新物理學(xué)的實(shí)驗(yàn)將以比以前更高的能量碰撞粒子，這意味著每次碰撞都會(huì)產(chǎn)生更多的次級(jí)粒子。光束的亮度也必須更高，這反過來又會(huì)增加單位時(shí)間的碰撞次數(shù)。在這種情況下，重建粒子軌跡的經(jīng)典方法已經(jīng)無法應(yīng)對(duì)。AI 在需要快速識(shí)別某些普遍模式的領(lǐng)域表現(xiàn)出色，可以伸出援手。

用于軌跡重建的深度神經(jīng)網(wǎng)絡(luò)

「我們?cè)O(shè)計(jì)的 AI 是一個(gè)深度型神經(jīng)網(wǎng)絡(luò)，包括 20 個(gè)神經(jīng)元組成的輸入層、4 個(gè)各 1000 個(gè)神經(jīng)元的隱藏層，以及 8 個(gè)神經(jīng)元的輸出層。每層的所有神經(jīng)元都是相連的。該網(wǎng)絡(luò)總共有 200 萬個(gè)配置參數(shù)，這些參數(shù)的值是在學(xué)習(xí)過程中設(shè)置的。」IFJ PAN Milosz Zdybal 博士說道。

圖示：用于軌跡重建的神經(jīng)網(wǎng)絡(luò)架構(gòu)。（來源：論文）

由此制備的深度神經(jīng)網(wǎng)絡(luò)使用 40,000 次模擬粒子碰撞進(jìn)行訓(xùn)練，并輔以人工生成的噪聲。在測(cè)試階段，只有命中信息被輸入網(wǎng)絡(luò)。由于這些來自計(jì)算機(jī)模擬，因此可以準(zhǔn)確地了解負(fù)責(zé)粒子的原始軌跡，并且可以與 AI 提供的重建進(jìn)行比較。在此基礎(chǔ)上，AI 學(xué)會(huì)了正確重建粒子軌跡。

Kucharczyk 教授強(qiáng)調(diào)說：「在我們的論文中，我們表明，在適當(dāng)準(zhǔn)備的數(shù)據(jù)庫(kù)上訓(xùn)練的深度神經(jīng)網(wǎng)絡(luò)能夠像經(jīng)典算法一樣準(zhǔn)確地重建二次粒子軌跡。這對(duì)于檢測(cè)技術(shù)的發(fā)展非常重要。雖然訓(xùn)練一個(gè)深度神經(jīng)網(wǎng)絡(luò)是一個(gè)漫長(zhǎng)且計(jì)算要求很高的過程，但訓(xùn)練后的網(wǎng)絡(luò)會(huì)立即做出反應(yīng)。由于它的精度也令人滿意，因此我們可以樂觀地考慮在實(shí)際碰撞的情況下使用它?！?/p>

MUonE 實(shí)驗(yàn)

基于機(jī)器學(xué)習(xí)技術(shù)的概念驗(yàn)證解決方案已在 MUonE（MUon ON Electron 彈性散射） 實(shí)驗(yàn)中實(shí)施和測(cè)試，該實(shí)驗(yàn)旨在尋找 μ 子反常磁矩領(lǐng)域的新物理。這檢驗(yàn)了與 μ 子（質(zhì)量大約是電子的 200 倍）有關(guān)的某個(gè)物理量的測(cè)量值與標(biāo)準(zhǔn)模型（即用于描述基本粒子世界的模型）的預(yù)測(cè)之間的有趣差異。

美國(guó)加速器中心費(fèi)米實(shí)驗(yàn)室（American accelerator center Fermilab）進(jìn)行的測(cè)量表明，所謂的 μ 子反常磁矩與標(biāo)準(zhǔn)模型的預(yù)測(cè)存在高達(dá) 4.2 個(gè)標(biāo)準(zhǔn)差（簡(jiǎn)稱 sigma）的確定性差異。同時(shí)，物理學(xué)界普遍認(rèn)為，高于 5 sigma 的顯著性（對(duì)應(yīng)于 99.99995% 的確定性）是宣布一項(xiàng)發(fā)現(xiàn)可接受的值。

圖示：反常 μ 子磁矩測(cè)量值與標(biāo)準(zhǔn)模型預(yù)測(cè)的比較。（來源：論文）
如果標(biāo)準(zhǔn)模型預(yù)測(cè)的精度能夠提高，則表明新物理學(xué)的差異的重要性可能會(huì)顯著增加。然而，為了更好地確定 μ 介子的反常磁矩，有必要知道一個(gè)更精確的參數(shù)值，即強(qiáng)子校正。不幸的是，無法對(duì)該參數(shù)進(jìn)行數(shù)學(xué)計(jì)算。

至此，MUonE 實(shí)驗(yàn)的作用就變得清晰起來。其中，科學(xué)家們打算研究 μ 子在低原子序數(shù)原子（例如碳或鈹）的電子上的散射。結(jié)果將允許更精確地確定直接取決于強(qiáng)子校正的某些物理參數(shù)。

如果一切按照物理學(xué)家的計(jì)劃進(jìn)行，以這種方式確定的強(qiáng)子校正將增加測(cè)量 μ 子反常磁矩的理論值和測(cè)量值之間高達(dá) 7 sigma 的差異的信心，迄今為止未知的物理學(xué)的存在可能會(huì)成為現(xiàn)實(shí)。

MUonE 實(shí)驗(yàn)最早將于明年在歐洲 CERN 核設(shè)施開始，但目標(biāo)階段已計(jì)劃在 2027 年，屆時(shí)克拉科夫物理學(xué)家可能有機(jī)會(huì)看到他們創(chuàng)造的人工智能是否能在重建粒子軌跡方面發(fā)揮作用。在真實(shí)實(shí)驗(yàn)條件下確認(rèn)其有效性可能標(biāo)志著粒子檢測(cè)技術(shù)新時(shí)代的開始。

參考內(nèi)容：https://phys.org/news/2024-03-team-ai-reconstruct-particle-paths.html