公眾號/? ScienceAI（ID：Philosophyai）

編輯 | 綠蘿

電子學在核物理領域從來都不是一帆風順的。大型強子對撞機作為全球最強大的加速器，所產生的 數據 如此之多，使得全部記錄這些數據從來都不是一個可行的選擇。

因此，處理來自探測器的信號波的系統擅長于「遺忘」——它們在不到一秒的時間內重建次級粒子的軌跡，并評估剛剛觀察到的碰撞是否可以被忽略，或者是否值得保存以供進一步分析。然而，當前重建粒子軌跡的方法很快將不再足夠。

波蘭科學院核物理研究所 (IFJ PAN) 的科學家通過研究表明，使用人工智能構建的工具可能是當前快速重建粒子軌跡方法的有效替代方法。它們的首次亮相可能會在未來兩到三年內出現，或許是在支持尋找新物理的 MUonE 實驗中。

該研究以《Machine Learning based Reconstruction for the MUonE Experiment》為題，于 2024 年 3 月 10 日發布在《Computer Science》上。

論文鏈接：https://doi.org/10.7494/csci.2024.25.1.5690

過去幾十年來，包括計算技術在內的高能物理（HEP）實驗領域取得了重大進展。對新物理現象的探索是對所謂的標準模型的擴展，即當前關于自然界基本成分的基本行為及其相互作用的不完整的理論知識，導致在不斷增加的能量下進行實驗研究。

兩個粒子相互作用（碰撞事件）產生的粒子數量通常隨著碰撞能量的增加而增加。因此，必須重建大量帶電粒子（例如在質子-質子碰撞中），從而導致更復雜的事件模式。

圖示：高能物理實驗中的事件示例，顯示多個粒子穿過探測器的軌跡。（來源：論文）
粒子在加速器中碰撞產生大量次級粒子級聯（cascade）。然后，處理從探測器傳來的信號的電子設備，有不到一秒的時間來評估某個事件是否值得保存以供以后分析。

在不久的將來，這項艱巨的任務可能會使用基于 AI 的算法來完成。

在現代高能物理實驗中，從碰撞點發散的粒子穿過探測器的連續層，在每一層中沉積一點能量。實際上，這意味著如果探測器由十層組成，并且二次粒子穿過所有這些層，則必須基于十個點來重建其路徑。任務看似簡單。

「探測器內部通常有一個磁場。帶電粒子在其中沿著曲線移動，這也是由它們激活的探測器元件（稱之為撞擊）相對于彼此定位的方式?！笽FJ PAN 的 Marcin Kucharczyk 教授解釋道。

「實際上，所謂的探測器占用率，即每個探測器元件的命中次數，可能非常高，這在嘗試正確重建粒子軌跡時會導致許多問題。特別是，重建彼此靠近的軌道是一個很大的問題。」

旨在尋找新物理學的實驗將以比以前更高的能量碰撞粒子，這意味著每次碰撞都會產生更多的次級粒子。光束的亮度也必須更高，這反過來又會增加單位時間的碰撞次數。在這種情況下，重建粒子軌跡的經典方法已經無法應對。AI 在需要快速識別某些普遍模式的領域表現出色，可以伸出援手。

用于軌跡重建的深度神經網絡

「我們設計的 AI 是一個深度型神經網絡，包括 20 個神經元組成的輸入層、4 個各 1000 個神經元的隱藏層，以及 8 個神經元的輸出層。每層的所有神經元都是相連的。該網絡總共有 200 萬個配置參數，這些參數的值是在學習過程中設置的。」IFJ PAN Milosz Zdybal 博士說道。

圖示：用于軌跡重建的神經網絡架構。（來源：論文）

由此制備的深度神經網絡使用 40,000 次模擬粒子碰撞進行訓練，并輔以人工生成的噪聲。在測試階段，只有命中信息被輸入網絡。由于這些來自計算機模擬，因此可以準確地了解負責粒子的原始軌跡，并且可以與 AI 提供的重建進行比較。在此基礎上，AI 學會了正確重建粒子軌跡。

Kucharczyk 教授強調說：「在我們的論文中，我們表明，在適當準備的數據庫上訓練的深度神經網絡能夠像經典算法一樣準確地重建二次粒子軌跡。這對于檢測技術的發展非常重要。雖然訓練一個深度神經網絡是一個漫長且計算要求很高的過程，但訓練后的網絡會立即做出反應。由于它的精度也令人滿意，因此我們可以樂觀地考慮在實際碰撞的情況下使用它。」

MUonE 實驗

基于機器學習技術的概念驗證解決方案已在 MUonE（MUon ON Electron 彈性散射） 實驗中實施和測試，該實驗旨在尋找 μ 子反常磁矩領域的新物理。這檢驗了與 μ 子（質量大約是電子的 200 倍）有關的某個物理量的測量值與標準模型（即用于描述基本粒子世界的模型）的預測之間的有趣差異。

美國加速器中心費米實驗室（American accelerator center Fermilab）進行的測量表明，所謂的 μ 子反常磁矩與標準模型的預測存在高達 4.2 個標準差（簡稱 sigma）的確定性差異。同時，物理學界普遍認為，高于 5 sigma 的顯著性（對應于 99.99995% 的確定性）是宣布一項發現可接受的值。

圖示：反常 μ 子磁矩測量值與標準模型預測的比較。（來源：論文）
如果標準模型預測的精度能夠提高，則表明新物理學的差異的重要性可能會顯著增加。然而，為了更好地確定 μ 介子的反常磁矩，有必要知道一個更精確的參數值，即強子校正。不幸的是，無法對該參數進行數學計算。

至此，MUonE 實驗的作用就變得清晰起來。其中，科學家們打算研究 μ 子在低原子序數原子（例如碳或鈹）的電子上的散射。結果將允許更精確地確定直接取決于強子校正的某些物理參數。

如果一切按照物理學家的計劃進行，以這種方式確定的強子校正將增加測量 μ 子反常磁矩的理論值和測量值之間高達 7 sigma 的差異的信心，迄今為止未知的物理學的存在可能會成為現實。

MUonE 實驗最早將于明年在歐洲 CERN 核設施開始，但目標階段已計劃在 2027 年，屆時克拉科夫物理學家可能有機會看到他們創造的人工智能是否能在重建粒子軌跡方面發揮作用。在真實實驗條件下確認其有效性可能標志著粒子檢測技術新時代的開始。

參考內容：https://phys.org/news/2024-03-team-ai-reconstruct-particle-paths.html