《自然》杂志：机器学习让粒子物理学家远离露西和埃塞尔的困境
这是一个常见的喜剧比喻：工业生产线的速度超过了必须在其上工作的人类的极限。
粒子物理学家发现自己面临着一个可能的露西和埃塞尔糖果工厂的未来，因为他们计划了越来越先进的实验，旨在以压倒整个人类分析大军的速度产生数据。
令物理学家高兴的是，他们在计算机科学领域的同事取得了进展，提供了算法驱动的方法来处理和分析来自欧洲核子研究中心、费米佳博体育和SLAC等机构的实验数据。亚历山大·拉多维奇（Alexander Radovic）是威廉与玛丽大学物理系的博士后助理研究员，他是一篇综述文章的主要作者，该文章研究了人工智能如何用于理解自然界的基本粒子。
这篇题为《粒子物理能量和强度前沿的机器学习》的论文发表在8月2日的《自然》杂志上。
“它的目标是更广泛的科学家，而不仅仅是粒子物理学家，”拉多维奇在芝加哥郊外的费米佳博体育基地的一封电子邮件中写道。“理想情况下，我希望它被视为某种资源、路线图和战斗口号的混合体。”
Radovic和他的合著者展示了如何使用大数据技术来处理数据，这些数据不仅在数量上很大，而且在复杂性上也很大。与物理学家相比，露西和埃塞尔的日子轻松多了：他们的糖果工厂以更高的速度生产出同样的糖果。想象一下，糖果机突然在巧克力脆饼、糖果棒、蛋糕、布丁等之间切换。
在能源部费米佳博体育和大型强子对撞机等其他实验中工作的物理学家们面临着比包装糖果更繁重的任务。他们正在使用价值数十亿美元的仪器，试图总结对标准模型的理解，即宇宙运行的粒子和相互作用的清单。
《自然》杂志论文的开头指出，标准模型是不完整的，因为它没有纳入暗物质——甚至没有纳入引力。旨在理解标准模型最后那些棘手部分的实验——以及寻找标准模型框架之外的物理——需要大量的数据和数据分析
“这就是为什么我们需要机器学习，而不是简单的人工算法，”拉多维奇解释说。机器学习是一种使用算法的技术，旨在基于数据的预测分析来改进计算机的操作。
在机器学习中，计算机本质上是“自学”自己，Radovic的论文涉及各种必要的测试，以验证不同的机器学习工具，并量化该过程中内置的不确定性：“我们的网络学习了什么模型？其预测的不确定性是什么？”
他说：“当我们试图提供具有良好描述的不确定性的测量时，我们对偏差或可靠性的问题更感兴趣。”
本文着重介绍了神经网络在大型强子对撞机实验中的应用。拉多维奇指出，希格斯玻色子的发现是一个备受瞩目的事件，“老实说，他们有更多的科学家，所以有更多的工作可以提及。”
Radovic还谈到了中微子研究中的机器学习方面。这是很自然的，因为他是费米佳博体育的中微子研究员，在那里他召集了一个主要的中微子振荡小组进行NOvA实验，他在深度学习工具方面做出了重要贡献。（“就作者而言，我们的表现远远超出了自身的能力，”他说。）
拉多维奇说，他希望这篇论文在《自然》杂志上的曝光能吸引更多的读者，并指出机器学习、神经网络和人工智能的概念的应用远远超出了粒子物理学。
他说：“我希望我们努力解决的一些问题将与其他学科的问题以富有成效的方式联系起来，包括伦理人工智能等社会科学的问题。”
