下一代粒子對撞機實驗將採用世界上最先進的智慧機器，如果粒子物理學家和人工智慧（AI）研究人員之間正在建立的聯絡取得進展的話。這些機器可能會在幾乎沒有人為干預的情況下做出發現，這一前景讓一些物理學家感到不安。
為了渴望取得新發現，並意識到他們將在十年內受到無法管理的海量資料衝擊，在瑞士日內瓦附近的大型強子對撞機（LHC）工作的物理學家們正在尋求人工智慧專家的幫助。
11月9日至13日，來自這兩個領域的領軍人物參加了一個研討會——同類首個——他們在會上討論了先進的人工智慧技術如何加速LHC的發現。巴黎南大學奧賽分校的計算機科學家Cécile Germain說，粒子物理學家們“已經意識到他們無法獨自完成這項工作”，她在CERN（歐洲核子研究中心，即LHC的所在地）舉辦的研討會上發言時說道。
支援科學新聞事業
如果您喜歡這篇文章，請考慮透過以下方式支援我們屢獲殊榮的新聞事業： 訂閱。透過購買訂閱，您將幫助確保有關當今世界具有影響力的發現和想法的報道擁有未來。
計算機科學家們正蜂擁而至。去年，Germain幫助組織了一場競賽，旨在編寫程式，以便在模擬資料集中“發現”希格斯玻色子的蹤跡；它吸引了來自1700多個團隊的投稿。
粒子物理學對人工智慧並不陌生。特別是，當LHC的兩個最大的實驗ATLAS和CMS於2012年發現了希格斯玻色子時，他們在一定程度上是使用機器學習——一種人工智慧形式，它可以“訓練”演算法來識別資料中的模式。這些演算法使用粒子碰撞碎片模擬進行了預先訓練，並學會了識別由稀有希格斯粒子衰變產生的模式，這些模式存在於數百萬更普通的事件中。然後，他們開始對真實事物進行工作。
但在不久的將來，實驗將需要變得更智慧，不僅要處理資料，還要收集資料。CMS和ATLAS目前每秒產生數億次碰撞，並使用快速而粗略的標準來忽略除千分之一以外的所有事件。計劃於2025年進行的升級意味著碰撞次數將增加20倍，探測器將不得不使用更復雜的方法來選擇他們保留的內容，加州理工學院帕薩迪納分校的CMS物理學家María Spiropulu說，她幫助組織了CERN研討會。“我們正在走向未知，”她說。
靈感可能來自另一個LHC實驗LHCb，該實驗專門研究粒子及其反物質對應物之間細微的不對稱性。為了為LHC的第二次更高能量執行做準備，該運行於4月開始，LHCb團隊對其探測器進行了程式設計，使其使用機器學習來決定保留哪些資料。
LHCb對溫度和壓力的微小變化非常敏感，因此在任何給定時間有趣的資料都會隨著實驗而變化——機器學習可以即時適應這種情況。“以前沒有人這樣做過，”CERN的LHCb物理學家Vladimir Gligorov說，他領導了人工智慧專案。
Gligorov說，粒子物理實驗通常需要幾個月的時間才能在升級後重新校準。但在能量升級後的兩週內，探測器就“重新發現”了一種名為J/Ψ介子的粒子——該粒子於1974年首次由兩個獨立的美國實驗發現，後來被認為值得獲得諾貝爾獎。
Spiropulu和其他人說，在未來幾年，CMS和ATLAS可能會效仿LHCb的做法，並將使探測器演算法在即時執行更多工作。“這將徹底改變我們進行資料分析的方式，”Spiropulu說。
更多地依賴人工智慧決策將帶來新的挑戰。與主要專注於尋找已知粒子以便進行詳細研究的LHCb不同，ATLAS和CMS旨在發現新粒子。Germain說，使用演算法以不透明的方式得出的標準，拋棄原則上可能包含重大發現的資料的想法，引起了許多物理學家的焦慮。研究人員將希望瞭解演算法的工作原理，並確保它們基於物理原理，她說。“這對他們來說是一場噩夢。”
Gligorov說，該方法的擁護者還將不得不說服他們的同事放棄經過考驗的技術。“這些都是龐大的合作專案，因此要讓一種新方法獲得批准，需要宇宙的年齡。”LHCb約有1000名成員；ATLAS和CMS各有約3000名成員。
儘管存在這些挑戰，但研討會上討論最熱烈的問題是粒子物理學是否以及如何利用更復雜的人工智慧，即一種稱為深度學習的技術。基本的機器學習演算法使用樣本資料（如影像）進行訓練，並“告知”每張圖片顯示的內容——例如房屋與貓。但在深度學習中，谷歌翻譯和蘋果的語音識別系統Siri等軟體使用深度學習，計算機通常不會接受此類監督，而是自行找到對物件進行分類的方法。
儘管他們強調他們不願將這種程度的控制權交給演算法，但CERN研討會的幾位發言人討論瞭如何將深度學習應用於物理學。加州大學歐文分校的人工智慧研究員Pierre Baldi已將機器學習應用於科學的各個分支，他描述了他和他的合作者如何進行研究，表明一種稱為暗知識的深度學習技術可能有助於——恰如其分地——尋找暗物質。
CERN工作人員物理學家Maurizio Pierini是研討會的聯合主持人，他說，深度學習甚至可能導致發現理論家尚未預測的粒子。“這可能是一種保險策略，以防萬一做出正確預測的理論家尚未誕生。”
本文經許可轉載，並於2015年12月1日首次發表。