電子學在核物理領(lǐng)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(chǎn)生的數(shù)據(jù)如此之多，使得全部記錄這些數(shù)據(jù)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(tǒng)擅長于「遺忘」——它們在不到一秒的時間內(nèi)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(gòu)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(nèi)出現(xiàn)，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(fā)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(shù)在內(nèi)的高能物理（HEP）實驗領(lǐng)域取得了重大進展。對新物理現(xiàn)象的探索是對所謂的標準模型的擴展，即當前關(guān)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(chǎn)生的粒子數(shù)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(zhì)子-質(zhì)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(chǎn)生大量次級粒子級聯(lián)（cascade）。然后，處理從探測器傳來的信號的電子設(shè)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(wù)可能會使用基于 AI 的算法來完成。

在現(xiàn)代高能物理實驗中，從碰撞點發(fā)散的粒子穿過探測器的連續(xù)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(wù)看似簡單。

「探測器內(nèi)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(shù)，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?！?/span>

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(chǎn)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(shù)。在這種情況下，重建粒子軌跡的經(jīng)典方法已經(jīng)無法應(yīng)對。AI 在需要快速識別某些普遍模式的領(lǐng)域表現(xiàn)出色，可以伸出援手。

用于軌跡重建的深度神經(jīng)網(wǎng)絡(luò)

「我們設(shè)計的 AI 是一個深度型神經(jīng)網(wǎng)絡(luò)，包括 20 個神經(jīng)元組成的輸入層、4 個各 1000 個神經(jīng)元的隱藏層，以及 8 個神經(jīng)元的輸出層。每層的所有神經(jīng)元都是相連的。該網(wǎng)絡(luò)總共有 200 萬個配置參數(shù)，這些參數(shù)的值是在學習過程中設(shè)置的?！笽FJ PAN Milosz Zdybal 博士說道。

圖示：用于軌跡重建的神經(jīng)網(wǎng)絡(luò)架構(gòu)。（來源：論文）

由此制備的深度神經(jīng)網(wǎng)絡(luò)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(wǎng)絡(luò)。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(chǔ)上，AI 學會了正確重建粒子軌跡。

Kucharczyk 教授強調(diào)說：「在我們的論文中，我們表明，在適當準備的數(shù)據(jù)庫上訓練的深度神經(jīng)網(wǎng)絡(luò)能夠像經(jīng)典算法一樣準確地重建二次粒子軌跡。這對于檢測技術(shù)的發(fā)展非常重要。雖然訓練一個深度神經(jīng)網(wǎng)絡(luò)是一個漫長且計算要求很高的過程，但訓練后的網(wǎng)絡(luò)會立即做出反應(yīng)。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?！?/span>

MUonE 實驗

基于機器學習技術(shù)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(lǐng)域的新物理。這檢驗了與 μ 子（質(zhì)量大約是電子的 200 倍）有關(guān)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(yù)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(yù)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(yīng)于 99.99995% 的確定性）是宣布一項發(fā)現(xiàn)可接受的值。

圖示：反常 μ 子磁矩測量值與標準模型預(yù)測的比較。（來源：論文）

如果標準模型預(yù)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(shù)值，即強子校正。不幸的是，無法對該參數(shù)進行數(shù)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(shù)原子（例如碳或鈹）的電子上的散射。結(jié)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(shù)。

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(xiàn)實。

MUonE 實驗最早將于明年在歐洲 CERN 核設(shè)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(chuàng)造的人工智能是否能在重建粒子軌跡方面發(fā)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(shù)新時代的開始。