科学家教机器如何分析独特的亚原子“汤”模拟

众所周知，计算机可以击败围棋冠军，模拟恒星爆炸，预测全球气候。人们逐渐将机器训练成完美的问题解决者和快速学习者。

目前，华中师范大学的物理学家和他们的合作者已经证实，计算机可以用来解开宇宙中最大的谜团。该小组训练计算机通过输入数千幅高能粒子碰撞模拟图像来识别图像中的重要特征。研究人员将一个强大的阵列(称为神经网络)编程到一个蜂窝状的数字大脑中，用来分析和解释碰撞中留下的粒子碎片图像。在这样的测试中，研究人员发现神经网络识别大约18000幅图像的重要特征的成功率高达95%。

研究结果发表在1月15日的《自然通讯》杂志上。下一个研究计划是将相同的机器学习过程应用于实际的物理实验数据。

强大的机器学习算法允许神经网络在处理更多图像后提高其分析能力。这项基础技术也用于人脸识别和其他基于图像的对象识别应用。本研究中使用的图像与布鲁克海文国家实验室的相对论重离子对撞机和欧洲核子研究中心实验室的大型强子对撞机的实验密切相关。这些图像代表了亚原子粒子“汤”的状态，这是一种超高温流体状态，其中夸克胶子等离子体在宇宙诞生后仅存在百万分之一秒。

“我们正试图发现夸克胶子等离子体最重要的性质，”华中师范大学粒子物理研究所所长王新年教授说。夸克-胶子等离子体的一些性质仍然是个谜，因为它们存在的时间很短，而且发生的规模非常小。

在实验中，物理学家通过粒子对撞机压碎了重核，例如通过压碎剥离的电子获得的金核和铅核。这些碰撞将释放原子核内的粒子，甚至打破由夸克和胶子紧密结合形成的质子和中子，使夸克和胶子处于*运动状态，形成一个瞬间的亚原子火球-夸克-胶子等离子体。

研究人员希望从夸克-胶子等离子体形成条件的研究中获得新的灵感，例如形成这种状态所需的能量和它变成流体状态时的温度和压力，并进一步从对粒子和物质组成性质以及宇宙形成阶段的研究中获得新的灵感。

然而，严格测量碰撞中物质相变所涉及的“状态方程”确实极具挑战性。在实验中，初始状态将影响最终粒子的输出，并且很难提取与这些条件无关的状态方程。

“核物理领域的圣杯是发现高能相互作用中的相变过程，并根据实验数据确定状态方程，”王新年教授说。“这是夸克-胶子等离子体最重要的特性，我们必须通过实验来探索。”

据报道，这项最新研究的第一作者庞龙刚曾是华中师范大学的博士后研究员，现在是加州大学伯克利分校的博士后研究员。他介绍说，2016年在法兰克福前沿研究所做博士研究后，他开始对人工智能解决科学问题的潜力感兴趣。他与江苏南部法兰克福高等研究中心的合作者周凯一起发现了一种具有复杂神经网络的人工智能。这种人工智能的发明源于动物大脑对图像处理架构的启发，在处理科学图像方面具有很好的适用性。

庞龙刚说:“这种神经网络可以从相机输入中识别模式，并评估运动和位置。”。“我们当时认为，如果我们有一些视觉科学数据，我们也许能够得到一个抽象的概念或有价值的物理信息。”

王新年教授进一步解释说，“我们试图通过这种机器学习从许多模式中获得与状态方程相关的独特模式或关联”，因此经过训练的神经网络可以在图像中准确定位，并找到与科学家试图解决的问题最相关的关联。

庞龙刚博士说，分析所需的数据积累需要非常强大的计算机资源，因为有时只需要一天就能得到一张图像，而当我们使用大量的图形处理器进行并行操作时，我们只需要20分钟就能得到一张图像。GPU是一个图形处理组件。它最初是为了改善电脑游戏体验而开发的，目前已经在许多方面得到了应用。在他们的研究中，他们的大部分计算工作是在德国GSI和中国华中师范大学的GPU集群上完成的。

研究人员表示，使用复杂神经网络的优势在于，它们可以识别出最初实验中没有发现的特征，这就像大海捞针一样。他们还可以从模糊的图像中提取有用的信息。

“即使你的图像分辨率很低，你仍然可以得到一些有用的信息，”庞龙刚博士说。

机器学习在分析真实重离子碰撞实验数据中的应用引起了广泛的讨论，模拟结果也将有助于解释真实数据。

“机器学习将在高能粒子物理领域有许多应用，”王新年教授说，不仅仅是在粒子碰撞实验中。

据报道，法兰克福前沿研究所、歌德大学和GSI亥姆霍兹重离子研究中心的汉娜·彼得森和霍斯特·斯托克也参与了这项研究。这项工作得到了美国能源部基础能源科学司、国家科学基金会、亥姆霍兹协会、GSI、SAMSON AG、歌德大学、中国国家自然科学基金会、国家重大基础研究和发展计划以及亥姆霍兹国际反离子和离子研究设施中心的支持。