編輯 | X

粒子物理學家的任務是挖掘大量不斷增長的碰撞資料，尋找尚未發現的粒子證據。特別是，他們正在尋找未包含在粒子物理標準模型中的粒子，科學家懷疑我們目前對宇宙構成的理解是不完整的。

近日，來自 ATLAS 合作組的 172 個研究機構的科學家，使用一種受大腦啟發的機器學習演算法——神經網路，來篩選大量粒子碰撞資料，搜尋資料中的異常特徵或異常現象。

研究團隊使用一種稱為異常檢測的機器學習方法來分析大量 ATLAS 資料。此前該方法從未應用於對撞機實驗的資料。

神經網路發現了一個異常現象。能量約為 4.8 太電子伏（TeV）的奇異粒子衰變會產生 μ 子和其他粒子射流，其方式不符合神經網路對標準模型相互作用的理解。

該技術打破了尋找新物理學的傳統方法。它獨立於科學家的先入之見，因此不受其限制。

該研究以「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」為題，發表在《Physical Review Letters》上。

10 來年，ATLA 實驗還沒發現任何新粒子

傳統上，ATLAS 科學家依靠理論模型來指導他們的實驗和分析，朝著最有希望發現的方向發展。這通常涉及執行復雜的計算機模擬，來確定碰撞資料的某些方面根據標準模型（Standard model，SM）會是什麼樣子。

科學家將這些標準模型預測與 ATLAS 的真實資料進行比較。他們還將它們與新物理模型做出的預測進行比較，例如那些試圖解釋暗物質和標準模型未解釋的其他現象的預測。

但到目前為止，在 ATLAS 記錄的數十億次碰撞中，尚未觀察到任何偏離標準模型的現象。自 2012 年發現希格斯玻色子（Higgs boson）以來，ATLA 實驗還沒有發現任何新粒子。

神經網路分析約 1.6 億個事件

該研究的主要作者、阿貢高能物理部門的物理學 Sergei Chekanov 說，「異常檢測是一種非常不同的搜尋方式，我們的目標不是尋找非常具體的偏差，而是在完全未經探索的資料中找到不尋常的特徵，這些特徵可能與我們的理論預測不同。」

為了執行此類分析，科學家將資料中的每個粒子相互作用表示為類似於二維碼的影像。然後，該團隊透過將神經網路暴露於 1% 的影像來訓練其神經網路。

該網路由大約 200 萬個互連節點組成，類似於大腦中的神經元。在沒有人類指導或干預的情況下，它可以識別並記住影像中表徵標準模型互動的畫素之間的相關性。換句話說，它學會了識別符合標準模型預測的典型事件。

訓練結束後，科學家們將其餘 99% 的影像輸入神經網路，來檢測異常情況。當給定影像作為輸入時，神經網路的任務是利用其對整個資料的理解來重新建立影像。

Chekanov 說：「如果神經網路遇到新的或不尋常的東西，它就會感到困惑，並且很難重建影像。如果輸入影像與其產生的輸出之間存在很大差異，它會讓我們知道在這個方向上可能有一些有趣的東西值得探索。」

利用阿貢實驗室計算資源中心的計算資源，神經網路分析了 2015 年至 2018 年收集的 LHC Run-2 資料中的約 1.6 億個事件。

發現異常現象

儘管神經網路在該資料集中沒有發現任何新物理學的明顯跡象，但它確實發現了一個科學家認為值得進一步研究的異常現象。能量約為 4.8 太電子伏的奇異粒子衰變會產生 μ 子（一種基本粒子）和其他粒子射流，其方式不符合神經網路對標準模型相互作用的理解。

「我們必須進行更多研究，」Chekanov 說。「這可能是一種統計波動，但這種衰變有可能表明存在未被發現的粒子。」

該團隊計劃將該技術應用於 2022 年開始的 LHC Run-3 期間收集的資料。ATLAS 科學家將繼續探索機器學習和異常檢測作為繪製粒子物理學未知領域工具的潛力。

參考內容：https://phys.org/news/2024-04-machine-reveal-undiscovered-particles-large.html