AI 重建粒子轨迹，发现新物理学

将ScienceAI设为星标

第一时间掌握

新鲜的 AI for Science 资讯

编辑 | 绿萝

电子学在核物理领域从来都不是一帆风顺的。大型强子对撞机作为全球最强大的加速器，所产生的数据如此之多，使得全部记录这些数据从来都不是一个可行的选择。

因此，处理来自探测器的信号波的系统擅长于「遗忘」——它们在不到一秒的时间内重建次级粒子的轨迹，并评估刚刚观察到的碰撞是否可以被忽略，或者是否值得保存以供进一步分析。然而，当前重建粒子轨迹的方法很快将不再足够。

波兰科学院核物理研究所 (IFJ PAN) 的科学家通过研究表明，使用人工智能构建的工具可能是当前快速重建粒子轨迹方法的有效替代方法。它们的首次亮相可能会在未来两到三年内出现，或许是在支持寻找新物理的 MUonE 实验中。

该研究以《Machine Learning based Reconstruction for the MUonE Experiment》为题，于 2024 年 3 月 10 日发布在《Computer Science》上。

论文链接：https://doi.org/10.7494/csci.2024.25.1.5690

过去几十年来，包括计算技术在内的高能物理（HEP）实验领域取得了重大进展。对新物理现象的探索是对所谓的标准模型的扩展，即当前关于自然界基本成分的基本行为及其相互作用的不完整的理论知识，导致在不断增加的能量下进行实验研究。

两个粒子相互作用（碰撞事件）产生的粒子数量通常随着碰撞能量的增加而增加。因此，必须重建大量带电粒子（例如在质子-质子碰撞中），从而导致更复杂的事件模式。

图示：高能物理实验中的事件示例，显示多个粒子穿过探测器的轨迹。（来源：论文）

粒子在加速器中碰撞产生大量次级粒子级联（cascade）。然后，处理从探测器传来的信号的电子设备，有不到一秒的时间来评估某个事件是否值得保存以供以后分析。

在不久的将来，这项艰巨的任务可能会使用基于 AI 的算法来完成。

在现代高能物理实验中，从碰撞点发散的粒子穿过探测器的连续层，在每一层中沉积一点能量。实际上，这意味着如果探测器由十层组成，并且二次粒子穿过所有这些层，则必须基于十个点来重建其路径。任务看似简单。

「探测器内部通常有一个磁场。带电粒子在其中沿着曲线移动，这也是由它们激活的探测器元件（称之为撞击）相对于彼此定位的方式。」IFJ PAN 的 Marcin Kucharczyk 教授解释道。

「实际上，所谓的探测器占用率，即每个探测器元件的命中次数，可能非常高，这在尝试正确重建粒子轨迹时会导致许多问题。特别是，重建彼此靠近的轨道是一个很大的问题。」

旨在寻找新物理学的实验将以比以前更高的能量碰撞粒子，这意味着每次碰撞都会产生更多的次级粒子。光束的亮度也必须更高，这反过来又会增加单位时间的碰撞次数。在这种情况下，重建粒子轨迹的经典方法已经无法应对。AI 在需要快速识别某些普遍模式的领域表现出色，可以伸出援手。

用于轨迹重建的深度神经网络

「我们设计的 AI 是一个深度型神经网络，包括 20 个神经元组成的输入层、4 个各 1000 个神经元的隐藏层，以及 8 个神经元的输出层。每层的所有神经元都是相连的。该网络总共有 200 万个配置参数，这些参数的值是在学习过程中设置的。」IFJ PAN Milosz Zdybal 博士说道。

图示：用于轨迹重建的神经网络架构。（来源：论文）

由此制备的深度神经网络使用 40,000 次模拟粒子碰撞进行训练，并辅以人工生成的噪声。在测试阶段，只有命中信息被输入网络。由于这些来自计算机模拟，因此可以准确地了解负责粒子的原始轨迹，并且可以与 AI 提供的重建进行比较。在此基础上，AI 学会了正确重建粒子轨迹。

Kucharczyk 教授强调说：「在我们的论文中，我们表明，在适当准备的数据库上训练的深度神经网络能够像经典算法一样准确地重建二次粒子轨迹。这对于检测技术的发展非常重要。虽然训练一个深度神经网络是一个漫长且计算要求很高的过程，但训练后的网络会立即做出反应。由于它的精度也令人满意，因此我们可以乐观地考虑在实际碰撞的情况下使用它。」

MUonE 实验

基于机器学习技术的概念验证解决方案已在 MUonE（MUon ON Electron 弹性散射） 实验中实施和测试，该实验旨在寻找 μ 子反常磁矩领域的新物理。这检验了与 μ 子（质量大约是电子的 200 倍）有关的某个物理量的测量值与标准模型（即用于描述基本粒子世界的模型）的预测之间的有趣差异。

美国加速器中心费米实验室（American accelerator center Fermilab）进行的测量表明，所谓的 μ 子反常磁矩与标准模型的预测存在高达 4.2 个标准差（简称 sigma）的确定性差异。同时，物理学界普遍认为，高于 5 sigma 的显著性（对应于 99.99995% 的确定性）是宣布一项发现可接受的值。

图示：反常 μ 子磁矩测量值与标准模型预测的比较。（来源：论文）

如果标准模型预测的精度能够提高，则表明新物理学的差异的重要性可能会显著增加。然而，为了更好地确定 μ 介子的反常磁矩，有必要知道一个更精确的参数值，即强子校正。不幸的是，无法对该参数进行数学计算。

至此，MUonE 实验的作用就变得清晰起来。其中，科学家们打算研究 μ 子在低原子序数原子（例如碳或铍）的电子上的散射。结果将允许更精确地确定直接取决于强子校正的某些物理参数。

如果一切按照物理学家的计划进行，以这种方式确定的强子校正将增加测量 μ 子反常磁矩的理论值和测量值之间高达 7 sigma 的差异的信心，迄今为止未知的物理学的存在可能会成为现实。

MUonE 实验最早将于明年在欧洲 CERN 核设施开始，但目标阶段已计划在 2027 年，届时克拉科夫物理学家可能有机会看到他们创造的人工智能是否能在重建粒子轨迹方面发挥作用。在真实实验条件下确认其有效性可能标志着粒子检测技术新时代的开始。

参考内容：https://phys.org/news/2024-03-team-ai-reconstruct-particle-paths.html

人工智能×[ 生物 神经科学 数学 物理 化学 材料 ]

「ScienceAI」关注人工智能与其他前沿技术及基础科学的交叉研究与融合发展。

点击阅读原文，加入专业从业者社区，以获得更多交流合作机会及服务。