雖然高能物理和宇宙學在絕對規(guī)模上似乎是天壤之別，但阿貢國家實驗室物理學家和宇宙學家正在使用類似的機器學習方法來解決亞原子粒子和星系的分類問題。

高能物理和宇宙學在純粹的尺度上似乎是天壤之別，但構成其中一個領域的無形成分告訴了另一個領域的組成和動力學——塌縮恒星，恒星誕生星云，或許還有暗物質(zhì)。幾十年來，兩個領域的研究人員研究各自領域的技術似乎也幾乎互不相容。

高能物理依靠加速器和探測器從粒子的能量相互作用中收集一些洞察，而宇宙學家則通過各種望遠鏡來揭示宇宙的秘密。雖然兩個領域都沒有放棄特定領域的基本設備，但美國能源部(DOE)阿貢國家實驗室(DOE)的物理學家和宇宙學家，正在使用稱為機器學習的各種人工智能技術來解決復雜的多尺度問題。機器學習已經(jīng)應用于許多領域，通過從輸入數(shù)據(jù)中學習并逐步改進對新數(shù)據(jù)的預測，可以幫助識別隱藏的模式。它可以應用于視覺分類任務或快速再現(xiàn)復雜且計算昂貴的計算。

由于有可能從根本上改變科學的開展方式，這些人工智能技術將幫助我們更好地了解星系在整個宇宙中的分布，或者更好地可視化新粒子的形成，可能會從中推斷出新的物理。粒子物理學家和阿爾貢領導計算設施(ALCF)的計算機科學家Taylor Childers說：幾十年來，科學家開發(fā)重建了我們感興趣的各種粒子簽名的傳統(tǒng)算法。開發(fā)它們花了很長時間，但它們非常準確，與此同時，了解谷歌和Facebook成功使用機器學習圖像分類技術是否可以簡化或縮短識別3-D探測器中粒子簽名算法的開發(fā)，這將是一件有趣的事情。

Childers與Argonne高能物理學家合作，他們都是歐洲核子研究中心（CERN）大型強子對撞機(LHC)ATLAS實驗合作的成員，LHC是世界上最大和最強大的粒子對撞機。為了解決廣泛的物理問題，ATLAS探測器有八層樓高，測量質(zhì)子以接近光速碰撞產(chǎn)生的產(chǎn)物。每秒鐘在ATLAS探測器中發(fā)生超過10億個粒子相互作用，數(shù)據(jù)速率相當于地球上每個人同時進行20次電話對話。雖然這些碰撞中只有一小部分被認為值得研究（大約每秒100萬次）但它仍然為科學家提供了大量的數(shù)據(jù)進行研究。

這些高速粒子碰撞在它們的尾跡中產(chǎn)生新粒子，就像電子或夸克簇射，每個都在探測器中留下一個獨特的標記，Childers希望通過機器學習來識別這些簽名。挑戰(zhàn)之一是在復雜的3-D空間中將這些能量信號捕獲為圖像。例如，照片本質(zhì)上是具有垂直和水平位置的3-D數(shù)據(jù)的2-D表示。像素數(shù)據(jù)，即圖像中的顏色，是面向空間的，并在其中編碼了空間信息，例如貓的眼睛在鼻子旁邊，耳朵在左邊和右邊的上方。所以它們的空間方向很重要，在LHC拍攝的圖像也是如此。當一個粒子穿過探測器時，它會在空間模式中留下特定于不同粒子的能量信號。

再加上不僅在簽名中編碼的數(shù)據(jù)量，而且在簽名周圍的3-D空間中編碼數(shù)據(jù)量也是如此。在圖像識別的傳統(tǒng)機器學習示例中（同樣是那些貓）處理數(shù)十萬像素，ATLAS的圖像包含數(shù)億檢測器像素。因此，這個想法是將探測器圖像視為傳統(tǒng)圖像，使用一種叫做卷積神經(jīng)網(wǎng)絡的機器學習技術（它學習數(shù)據(jù)是如何在空間上相關的）可以提取3-D空間，以便更容易地識別特定的粒子特征。Childers希望這些機器學習算法最終將取代傳統(tǒng)的手工算法，大大減少處理類似數(shù)量的數(shù)據(jù)所需的時間，并提高測量結果的精度。

更大的空間

還可以取代對新探測器長達十年的開發(fā)，并用未來探測器的新培訓模式來減少這種需求。阿貢國家實驗室的宇宙學家，正在使用類似的機器學習方法來解決分類問題，但規(guī)模要大得多。Argonne計算科學部的部門主任兼高能物理部門的臨時副主任Salman Habib說：宇宙學的問題是，我們正在觀察的物體是復雜和模糊的，因此，以更簡單的方式描述數(shù)據(jù)變得非常困難。利用Argonne和其他美國能源部國家實驗室的超級計算機，逐個星系地重建宇宙的細節(jié)。

研究人員正在創(chuàng)建非常詳細的模擬星系目錄，這些目錄可以用來與觀測望遠鏡獲得的真實數(shù)據(jù)進行比較。比如大型天氣觀測望遠鏡，這是美國能源部和國家科學基金會之間的合作項目。但要使這些資產(chǎn)對研究人員有價值，它們必須盡可能接近現(xiàn)實。機器學習算法非常善于挑選出可以很容易地通過幾何特征來表征的特征，就像那些貓一樣。然而，類似于汽車后視鏡上的警告，天空中的物體并不總是它們看起來的樣子以強引力透鏡現(xiàn)象為例，背景光源（星系或星系團）被中間的物質(zhì)質(zhì)量所扭曲。

由于引力來自光源的光線軌跡偏轉(zhuǎn)導致背景光源的形狀、位置和方向失真。這種失真提供了關于介入對象的質(zhì)量分布的信息，然而，實際的觀測情況并不是那么簡單。例如，透鏡化的完全圓形斑點可能在一個方向或另一個方向上顯示為拉伸，而如果部分沿邊緣觀察，則圓形的、透鏡的圓盤狀對象可能看起來是橢圓形。為了做到這一點，研究人員創(chuàng)建了數(shù)百萬個看起來逼真的物體訓練樣本，其中一半是鏡頭。然后，機器學習算法開始嘗試學習透鏡對象和未透鏡對象之間的差異，針對一組已知的合成透鏡和非透鏡對象驗證結果。

但是結果只告訴了一半的故事，算法在測試數(shù)據(jù)上的效果如何。為了進一步提高對真實數(shù)據(jù)的精確度，研究人員將一些百分比的合成數(shù)據(jù)與先前觀察到的數(shù)據(jù)混合并運行算法，再次比較他們在訓練樣本中選擇透鏡對象與組合數(shù)據(jù)的程度。最后，你可能會發(fā)現(xiàn)它做得相當好，但可能沒有你想要的那么好。你可能會說，好吧，這些信息本身是不夠的，需要收集更多，這是一個相當長而復雜的過程。現(xiàn)代宇宙學的兩個主要目標是理解為什么宇宙的膨脹在加速，以及暗物質(zhì)的本質(zhì)是什么。

暗物質(zhì)的含量大約是正常物質(zhì)的五倍，但它的最終起源仍然是個謎。為了能遠程接近答案，科學必須非常深思熟慮，非常精確。在現(xiàn)階段，研究人員不認為我們可以用機器學習應用程序解決所有問題。但機器學習在不久的將來對精確宇宙學的各個方面都將非常重要。隨著機器學習技術的發(fā)展和完善，它們對高能物理和宇宙學的用處肯定會成倍增長，提供了新發(fā)現(xiàn)或新解釋的希望，這些新發(fā)現(xiàn)或新解釋將改變我們在多個尺度上對世界的理解。

博科園｜研究/來自：阿貢國家實驗室

博科園｜科學、科技、科研、科普

關注【博科園】看更多大美宇宙科學哦