一種曾經備受爭議的粒子物理方法已在大型強子對撞機 (LHC)中成為主流。LHC 的主要 ATLAS 實驗已正式支援該方法——一種在機器產生的大量資料中進行搜尋的替代方法——作為對撞機探測超出粒子物理標準模型的行為的最佳希望。到目前為止，傳統的搜尋技術仍然一無所獲。
到目前為止，在位於瑞士日內瓦附近歐洲粒子物理實驗室 CERN 進行的幾乎所有 LHC 研究都涉及對受青睞的理論的特徵進行“有針對性的搜尋”。ATLAS 合作組織現在在其上個月釋出在 arXiv 伺服器上並提交給《歐洲物理雜誌 C》的預印本中描述了其首次對探測器資料進行的全面“通用”搜尋。另一個主要的 LHC 實驗 CMS 正在開展一個類似的專案。
“我的目標是嘗試提出一種真正新的尋找新物理的方法”——一種由資料而非理論驅動的方法，荷蘭拉德堡大學奈梅亨分校的 Sascha Caron 說，他領導了 ATLAS 採取這種方法的努力。通用搜索之於有針對性的搜尋，就像拼寫檢查整個文字之於在文字中搜索特定單詞一樣。這些廣泛的搜尋在不久的將來與日益複雜的人工智慧 (AI) 方法相結合時，可能會充分發揮其潛力。
支援科學新聞報道
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報道 訂閱。 透過購買訂閱，您正在幫助確保關於當今塑造我們世界的發現和想法的有影響力的故事的未來。
LHC 的研究人員希望這些方法能帶領他們取得下一個重大發現——這是自2012 年發現希格斯玻色子以來，一直沒有發生的事情，希格斯玻色子的發現確定了標準模型的最後一塊拼圖。該模型在 20 世紀 60 年代和 70 年代開發，描述了所有已知的亞原子粒子，但物理學家懷疑還有更多的東西——例如，該理論沒有解釋暗物質。但像 LHC 這樣的大型實驗尚未找到這種行為的證據。這意味著嘗試新事物很重要，包括通用搜索，CERN 理論部門負責人、未參與任何實驗的 Gian Giudice 說。“在這一點上，這是正確的方法。”
碰撞過程
LHC 以巨大的能量每秒撞擊數百萬個質子，以產生大量的衰變粒子，這些粒子由 ATLAS 和 CMS 等探測器記錄。許多不同型別的粒子相互作用會產生相同的碎片。例如，希格斯衰變可能會產生一對光子，但其他更常見的過程也會產生光子對。因此，為了尋找希格斯，物理學家首先執行模擬，以預測會產生多少對“冒名頂替者”。然後，他們計算探測器中記錄的所有光子對，並將其與他們的模擬進行比較。不同之處——在狹窄的能量範圍內略微過量的光子對——證明了希格斯的存在。
ATLAS 和 CMS 已經進行了數百次更有針對性的搜尋，以尋找標準模型中未出現的粒子。許多搜尋都在尋找各種形式的超對稱性，這是該模型的理論擴充套件，其中包括假設的粒子，例如中性微子，暗物質的候選者。但到目前為止，這些搜尋都沒有結果。
這留下了一種可能性，即存在產生沒有人想到的特徵的奇異粒子——通用搜索更有可能發現這種粒子。例如，物理學家尚未研究產生三個光子而不是兩個光子的事件，Caron 說。“我們有數百人研究希格斯衰變和超對稱性，但也許我們遺漏了沒人想到的東西，”德國亞琛大學的 CMS 成員 Arnd Meyer 說。
有針對性的搜尋通常只關注少數幾種衰變產物，而最新的研究一次考察了 700 多種。該研究分析了 2015 年收集的資料，這是 LHC 升級後將對撞機中質子碰撞的能量從 8 萬億電子伏特 (TeV) 提高到 13 TeV 的第一年。在 CMS，Meyer 和一些合作者對 8 TeV 執行中的一小部分資料進行了一項原則驗證研究，該研究尚未發表。
到目前為止，兩個實驗都沒有發現明顯的偏差。研究小組說，這並不令人驚訝，因為資料集相對較小。ATLAS 和 CMS 現在都在搜尋 2016 年和 2017 年收集的資料，這是一個大幾十倍的資料集。
統計缺陷
馬薩諸塞州劍橋市麻省理工學院的物理學家 Markus Klute 說，這種方法“有明顯的優勢，但也有明顯的缺點”。Klute 是 CMS 的一員，並且在以前的實驗中從事過通用搜索，但他沒有直接參與最近的研究。一個限制是統計能力。如果一個有針對性的搜尋找到了積極的結果，那麼有標準的程式來計算其顯著性；然而，當撒開大網時，必然會出現一些假陽性。這就是過去不贊成通用搜索的原因之一：許多物理學家擔心它們會導致太多死衚衕。但研究小組表示，他們已經投入了大量工作來使他們的方法更加可靠。“我很高興這件事取得了進展，” Klute 說。
LHC 實驗中的大部分人員和資源仍然用於有針對性的搜尋，並且這種情況可能不會很快改變。“鑑於我們有如此多的搜尋窮盡地涵蓋了大部分引數空間，有些人懷疑這種通用搜索的用處，” 馬薩諸塞州波士頓大學的 Tulika Bose 說，她幫助協調 CMS 的研究計劃。
許多從事通用搜索的研究人員表示，他們最終希望使用人工智慧完全消除標準模型模擬。這種方法的支持者希望使用機器學習在資料中找到模式，而沒有任何理論偏見。“我們想顛倒策略——讓資料告訴我們下一步該往哪裡看，”Caron 說。與有監督的型別相比，計算機科學家也在推動這種“無監督”的機器學習，在有監督的型別中，機器透過瀏覽先前由人類標記的資料來“學習”。
本文經許可轉載，並於2018 年 8 月 14 日首次發表。