机器学习也撼动了硬科学

粒子物理学家早就是早期的采用者——如果不是的话发明家-从电子邮件到互联网的技术。这就不足为奇了早在1997年在美国，研究人员正在训练计算机模型来标记碰撞过程中产生的混乱喷流中的粒子。从那时起，这些模型就一直在前进，稳定地变得更有能力——尽管不是每个人都满意。

“我感觉受到了机器学习的威胁，”他说杰西·泰勒麻省理工学院的理论粒子物理学家。起初，他说他觉得这危害了他对粒子射流分类的人类专业知识。但塞勒后来开始接受它，将机器学习应用于粒子物理学的各种问题。“机器学习是一个合作者，”他说。

在过去的十年里，与更广泛的深度学习革命在美国，粒子物理学家已经训练出算法来解决以前棘手的问题，并应对全新的挑战。

即使有一个有效的触发器，LHC在未来几年的数据收集中也必须存储600pb。因此，研究人员正在研究压缩数据的策略。

首先，粒子物理数据与机器学习中使用的典型数据非常不同。虽然卷积神经网络(cnn)已经被证明在分类从树到猫到食物的日常物体的图像方面非常有效，它们不太适合粒子碰撞。问题，根据哈维尔·杜阿尔特加州大学圣地亚哥分校的粒子物理学家说，这样的碰撞数据来自大型强子对撞机，自然不是图像。

对大型强子对撞机碰撞的浮夸描述可能会误导性地填满整个探测器。实际上，数百万个输入中只有少数几个在记录一个信号，就像一个白色屏幕上有几个黑色像素。这种稀疏的数据会导致图像很差，但它可以在不同的、更新的框架图神经网络(GNNs)中很好地工作。

来自粒子物理学的其他挑战需要创新。“我们不只是进口锤子来打指甲，”他说丹尼尔Whiteson他是加州大学欧文分校的粒子物理学家。“我们有新的奇怪的钉子，需要发明新的锤子。”一个奇怪的钉子是lhc产生的数据量——大约每秒1pb。在这巨大的数据量中，只有一小部分高质量的数据被保存下来。为了创建一个更好的触发系统，尽可能多地保存优质数据，同时去除低质量数据，研究人员希望训练一种眼尖的算法，使其比硬编码的算法更好地分类。

但Duarte说，为了有效，这样的算法需要非常快，在微秒内执行。为了解决这些问题，粒子物理学家正在挑战机器的极限技术比如剪枝和量化，让他们的算法更快。即使有一个有效的触发器，大型强子对撞机也必须在未来几年的数据收集中存储600pb (相当于大约66万部4K分辨率的电影，相当于30个国会图书馆的数据)，所以研究人员正在调查压缩策略数据。

“我们希望让机器更像物理学家一样思考，(但)我们也需要学习如何更像机器一样思考。”
——杰西·塞勒，麻省理工学院

机器学习也使粒子物理学家能够以不同的方式思考他们使用的数据。他们不再关注单个事件——比如希格斯玻色子衰变为两个光子——而是学着考虑碰撞过程中发生的其他几十个事件。尽管任何两个事件之间都没有因果关系，但像塞勒这样的研究人员现在正在接受一种更全面的数据观点，而不仅仅是通过分析事件相互作用而得出的零碎观点。

更引人注目的是，机器学习还迫使物理学家重新评估基本概念。塞勒说:“我对什么是对称的想法并不精确。”“强迫自己教计算机什么是对称，帮助我理解了对称到底是什么。”对称需要一个参照系——换句话说，镜子中扭曲的球体的像真的对称吗?如果不知道镜子本身是否扭曲，就无法知道。

机器学习在粒子物理学中还处于早期阶段，研究人员正在有效地对待这项技术，就像对待厨房水槽一样。Duarte承认:“它可能并不适合粒子物理学中的每一个问题。”

随着一些粒子物理学家深入研究机器学习，一个令人不安的问题浮出水面:他们是在研究物理学还是计算机科学?编码的耻辱——有时不被认为是“真正的物理学”——已经存在;类似的担忧也围绕着机器学习。一个担忧是，机器学习将使物理学变得模糊，将分析变成一个自动化过程的黑箱，人类无法理解。

怀特森说:“我们的目标不是插入机器，把实验放到网络上，让它发表我们的论文，这样我们就出局了。”他和同事们正在努力算法提供反馈在人类可以理解的语言中，但算法可能不是唯一有责任进行交流的人。

塞勒说:“一方面，我们希望让机器学习更像物理学家思考，(但)我们也需要学习如何更像机器思考。”“我们需要学会说彼此的语言。”

本文发表在2022年12月的出版物上，题为“机器学习重新思考科学思维”。