一種曾經備受爭議的粒子物理學方法現已成為大型強子對撞機(LHC)研究的主流，大型強子對撞機的主要實驗ATLAS也正式支持了這一方法，這是一種搜索機器產生的大量數據的另一種方法，同時它也是對撞機能探測超出粒子物理標準模型的行為的最大希望。因為到目前為止，傳統技術依然毫無發現。

在歐洲核子研究中心(CERN，位于瑞士日內瓦附近的歐洲粒子物理實驗室)進行的幾乎所有的研究都涉及到“有針對性的搜索”，以尋找自己喜歡的理論的特征。ATLAS合作于上個月在arXiv服務器上發布了一份預印本，并提交給了歐洲物理雜志，描述了它對探測器數據的第一次“全面”搜索。另一個LHC主要項目CMS同樣在執行相似的任務。

荷蘭內梅亨大學(Radboud University Nijmegen)的薩沙•卡隆(Sascha Caron)在ATLAS實驗中大力推動這種方法，他表示：“我的目標是嘗試提出一種嶄新的方法來尋找嶄新的物理學。”是那種有數據支持的嶄新物理學而不是只有理論支持的物理學。綜合搜索和定向搜索之間的差異就像是檢查整個文本的拼寫和搜索文本中特定單詞的差異一樣。這些廣泛的搜索如果與日益復雜的人工智能(AI)方法相結合的話可能會在不久的將來實現它們的全部潛力。

大型強子對撞機的研究人員希望這些方法能引領他們找到下一個重大發現，上一個重大發現是2012年發現的希格斯玻色子，它是標準模型的最后一部分，這個標準模型在20世紀60年代和70年代發展起來，描述了所有已知的亞原子粒子，但是物理學家懷疑這個理論模型還有更多的內容，例如，這個理論就沒有考慮到暗物質。但是大型實驗如大型強子對撞機還沒有找到與之相關的證據。歐洲核子研究中心(CERN)的理論部門負責人吉安•朱迪斯(Gian Giudice)沒有參與任何實驗，但他認為這意味著嘗試新事物，包括一般性搜索，是非常重要的。“目前這是正確的方法。”

碰撞的過程

大型強子對撞機每秒以巨大的能量將數百萬個質子撞擊在一起，產生大量的衰變粒子，這些粒子由ATLAS和CMS等探測器記錄下來。許多不同類型的粒子相互作用也可以產生相同的碎片。例如，希格斯粒子的衰變可能產生一對光子，但其他更常見的過程也可以產生相同的結果。因此，為了尋找希格斯玻色子，物理學家們首先進行了模擬，以預測容易混淆的粒子對的預期數量。然后他們計算了探測器中記錄的所有光子對，并將它們與模擬結果進行比較。兩個數據之間的不同，即在一個狹窄的能量范圍內光子對略有增加的數量，就是希格斯粒子存在的證據。

ATLAS和CMS已經進行了數百次定向搜索，尋找標準模型中沒有的粒子。許多搜索都在尋找各種超對稱性，即對模型的理論擴展，其中包括假設粒子，比如暗物質的疑似粒子中輕微子。但到目前為止，這些搜索結果都空手而歸。

這就給出了這樣的一種可能性：有一些獨特的粒子產生了沒有人想到過的特征，而這些特征更有可能被普通搜索找到。例如，卡隆說，物理學家還沒有觀察到產生3個光子而不是2個光子的事件。“我們有數百人在研究希格斯衰變和超對稱性，但也許我們錯過了一些沒人想到的東西，”德國亞琛大學的CMS成員Arnd Meyer說。

雖然定向搜索通常只關注幾種類型的衰變產物，但最新的研究一次過分析了700多種類型的衰變產物。該研究分析了LHC升級后的第一年即2015年收集的數據，升級后，對撞機的質子碰撞能量從8萬億電子伏(TeV)提高到13萬億電子伏。在CMS, Meyer和一些合作者已經對8萬億電子伏運行的一組較小的數據進行了一項原理驗證研究，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。研究小組表示，這并不奇怪，因為數據集相對較小。ATLAS和CMS現在都在搜索2016年和2017年收集的數據，這些數據要大上幾十倍。

統計上的缺點

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的一部分，曾在以前的實驗中參與過綜合搜索，但他沒有直接參與最近的研究。

這種方法的一個限制是統計能力。如果一個定向搜索找到一個積極的結果，則會有標準的程序來計算其重要性;然而綜合搜索當撒大網時，肯定會出現一些錯誤的陽性結果，這是過去綜合搜索不受青睞的原因之一：許多物理學家擔心它們會導致太多的死胡同。但研究小組表示，他們在使研究方法更加可靠方面投入了大量工作。Klute說：“我很高興這種努力出現了。”

大型強子對撞機實驗中的大部分人力和資源仍被投入到定向搜索中，而且這種情況可能會繼續持續一段時間。馬薩諸塞州波士頓大學(Boston University)的圖利卡•博斯(Tulika Bose)幫助協調了CMS的研究項目，他表示：“鑒于我們有這么多的搜索項目，且都詳盡地覆蓋了大部分參數空間，一些人已經開始懷疑這種綜合搜索是否有用。”

許多從事綜合搜索的研究人員表示，他們最終希望使用人工智能來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，在不存在任何理論偏差的情況下發現數據中的模式。“我們想要扭轉目前的策略，讓數據來告訴我們下一步該往哪里看，”卡隆說。計算機科學家也在推動這種“無監督”的機器學習，與之相比，有監督的機器學習“學習”的是之前已經被人類標記過的數據。

本文來源前瞻網，轉載請注明來源！（圖片來源互聯網，版權歸原作者所有）