世界領先的原子粉碎機的物理學家正在呼籲幫助。在未來十年內，他們計劃在大型強子對撞機（LHC）中產生比現在多 20 倍的粒子碰撞，但目前的探測器系統不適合即將到來的洪流。因此，本週，一群 LHC 物理學家與計算機科學家合作，發起了一場競賽，以刺激人工智慧技術的開發，這些技術可以快速篩選這些碰撞產生的碎片。研究人員希望這些技術將有助於實驗的最終目標，即揭示關於自然規律的基本見解。
在位於日內瓦附近歐洲粒子物理實驗室 CERN 的大型強子對撞機中，兩束質子在機器的每個探測器內每秒碰撞 4000 萬次。每次質子碰撞都會產生數千個新粒子，這些粒子從每個大教堂大小的探測器中心的碰撞點輻射出來。數百萬個矽感測器以洋蔥狀層排列，每次粒子穿過它們時都會亮起，每次產生一個資訊畫素。僅當碰撞產生潛在有趣的副產品時才會被記錄下來。當它們被記錄下來時，探測器會拍攝一張快照，其中可能包括來自多達 20 對不同質子堆積的碎片的數十萬個畫素。（由於粒子以或接近光速的速度移動，因此探測器無法記錄它們運動的完整電影。）
從這個混亂中，大型強子對撞機的計算機會即時重建數萬條軌跡，然後再進行下一次快照。“遊戲的關鍵是連線點，”加州理工學院帕薩迪納分校的物理學家讓-羅克·弗利芒特說，他是操作大型強子對撞機 CMS 探測器的合作團隊成員。
關於支援科學新聞
如果您喜歡這篇文章，請考慮透過 訂閱來支援我們屢獲殊榮的新聞。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。
在未來計劃的升級之後，預計每次快照將包括來自 200 次質子碰撞的粒子碎片。物理學家目前使用模式識別演算法來重建粒子的軌跡。雖然這些技術即使在升級後也能夠計算出路徑，“問題是，它們太慢了”，巴黎南大學奧賽分校的計算機科學家塞西爾·日爾曼說。如果沒有對新技術的大量投資，大型強子對撞機的物理學家估計，碰撞率將至少超過當前能力的 10 倍。
研究人員懷疑機器學習演算法可以更快地重建軌跡。為了幫助找到最佳解決方案，弗利芒特和其他 LHC 物理學家與包括日爾曼在內的計算機科學家合作，發起了 TrackML 挑戰賽。在接下來的三個月中，資料科學家將能夠下載 400 千兆位元組的模擬粒子碰撞資料（理想化探測器產生的畫素），並訓練他們的演算法來重建軌跡。
參與者將根據他們完成此操作的準確性進行評估。這一階段的前三名錶現者，由 谷歌擁有的 Kaggle 公司主辦，將獲得 12,000 美元、8,000 美元和 5,000 美元的現金獎勵。弗利芒特說，第二場比賽將根據速度和準確性評估演算法。
獎金的吸引力
此類競賽在資料科學中有著悠久的傳統，許多年輕的研究人員參與其中以建立他們的簡歷。“在挑戰賽中獲得良好的排名非常重要，”日爾曼說。這些比賽中最著名的大概是 2009 年的 Netflix 獎。這家娛樂公司向那些找出最佳方式來預測其使用者想看什麼電影的人提供 100 萬美元，根據他們之前的評分。TrackML 也不是粒子物理學中的第一個挑戰：2014 年，各團隊競相在一組模擬資料中“發現”希格斯玻色子（大型強子對撞機在 2012 年發現了理論長期預測的希格斯玻色子）。其他以科學為主題的挑戰涉及從浮游生物到星系等各種資料。
從計算機科學的角度來看，希格斯挑戰是一個普通的分類問題，該競賽的頂尖選手之一蒂姆·薩利曼斯說（挑戰賽結束後，薩利曼斯在加利福尼亞州舊金山的非營利組織 OpenAI 工作）。但是，它是關於大型強子對撞機物理學的事實增加了它的光彩，他說。這可能有助於解釋挑戰賽的受歡迎程度：近 1,800 個團隊參加了比賽，許多研究人員認為這次比賽極大地增加了物理學和計算機科學界之間的互動。
日爾曼說，TrackML“難度更高”。在希格斯案例中，重建的軌跡是輸入的一部分，參賽者必須進行另一層分析才能“找到”粒子。她說，在新問題中，你必須在 100,000 個點中找到大約 10,000 個橢圓弧。她認為獲勝的技術最終可能類似於程式 AlphaGo 使用的技術，該程式在 2016 年擊敗人類冠軍時創造了歷史 在複雜的圍棋遊戲中。特別是，他們可能會使用強化學習，其中演算法根據每次嘗試後獲得的“獎勵”透過試錯進行學習。
弗利芒特和其他物理學家也開始考慮更多未經測試的技術，例如 神經形態計算 和 量子計算。“我們不清楚要去哪裡，”弗利芒特說，“但看起來我們有了一條很好的道路。”
本文經許可轉載，並於2018 年 5 月 4 日首次發表。