利用AI构建的工具可以有效替代目前快速重建粒子轨迹的方法

在核物理领域，电子设备的日子并不好过。世界上最强大的加速器--大型强子对撞机（LHC）会产生大量数据，因此，记录所有数据从来都不是一种选择。因此，处理来自探测器的信号波的系统专门从事......"遗忘"--它们在几分之一秒内重建二次粒子的轨迹，并评估刚刚观察到的碰撞是否可以忽略，或者是否值得保存下来以作进一步分析。然而，目前重建粒子轨迹的方法很快就不够用了。

粒子跟踪中的人工智能

波兰克拉科夫波兰科学院核物理研究所（IFJ PAN）的科学家在《计算机科学》（Computer Science）杂志上发表的研究报告指出，利用人工智能构建的工具可以有效替代目前快速重建粒子轨迹的方法。这些工具可能会在未来两三年内首次亮相，很可能是在支持寻找新物理学的 MUonE 实验中。

根据 MUonE 探测器内碰撞时记录的撞击情况重建二次粒子轨迹的原理。后续目标用金色标出，硅探测器层用蓝色标出。资料来源：IFJ PAN

粒子探测的复杂性

在现代高能物理实验中，从碰撞点偏离的粒子会连续穿过探测器的各个层，并在每一层沉积一点能量。在实践中，这意味着如果探测器由十层组成，而二次粒子穿过所有层，则必须根据十个点重建其路径。这项任务看似简单。

"探测器内部通常有一个磁场。带电粒子在磁场中沿着弯曲的线运动，这也是被它们激活的探测器元件（用我们的行话说就是"命中"）相互之间的位置关系，"Marcin Kucharczyk 教授（IFJ PAN）解释说，并立即补充道："在现实中，所谓的探测器占用率，即每个探测器元件的命中数，可能会非常高，这在试图正确重建粒子轨迹时会造成很多问题。特别是，重建相互靠近的轨迹是一个相当大的问题"。

旨在发现新物理学的实验将以比以前更高的能量碰撞粒子，这意味着每次碰撞将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内的碰撞次数。在这种情况下，传统的粒子轨迹重建方法已无法应对。在需要快速识别某些普遍模式的情况下，人工智能就能提供帮助。

人工智能作为一种解决方案

"我们设计的人工智能是一个深度型神经网络。它包括一个由 20 个神经元组成的输入层、四个各由 1 000 个神经元组成的隐藏层和一个由 8 个神经元组成的输出层。每一层的所有神经元都与相邻层的所有神经元相连。该网络总共有 200 万个配置参数，其值在学习过程中设定，"Milosz Zdybal 博士（IFJ PAN）介绍说。

由此编制的深度神经网络使用 40000 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，只向网络输入碰撞信息。由于这些信息来自计算机模拟，因此肇事粒子的原始轨迹是准确已知的，可以与人工智能提供的重建信息进行比较。在此基础上，人工智能学会了正确地重建粒子轨迹。

"在我们的论文中，我们展示了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精确地重建二次粒子轨迹。这一结果对探测技术的发展具有重要意义。虽然训练深度神经网络是一个漫长且需要大量计算的过程，但经过训练的网络却能立即做出反应。"Kucharczyk 教授强调说："由于它的精确度令人满意，我们可以乐观地考虑在实际碰撞中使用它。"

MUonE 实验与未来物理学

IFJ PAN 的人工智能最有机会证明自己的实验是 MUonE（μ介子对电子弹性散射）。该实验研究了与μ介子（质量约为电子的 200 倍的粒子）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）的预测值之间的有趣差异。在美国费米实验室加速器中心进行的测量显示，μ介子的所谓反常磁矩与标准模型的预测值相差高达 4.2 个标准偏差（简称西格玛）。与此同时，物理学界公认，5 个西格玛以上的显著性（相当于 99.99995% 的确定性）是宣布一项发现的可接受值。

如果能够提高标准模型预测的精确度，那么表明新物理学的差异的意义就会大大增加。然而，为了在它的帮助下更好地确定μ介子的反常磁矩，有必要知道被称为强子修正的参数的更精确值。遗憾的是，对这一参数进行数学计算是不可能的。在这一点上，MUonE 实验的作用就显而易见了。在该实验中，科学家们打算研究μ介子对碳或铍等低原子序数原子的电子的散射。研究结果将有助于更精确地确定某些直接取决于强子修正的物理参数。如果一切都按照物理学家的计划进行，通过这种方法确定的强子修正值将使测量μ介子反常磁矩的理论值和测量值之间的差异的可信度增加多达 7 个西格玛--迄今为止未知物理的存在可能成为现实。

MUonE 实验最早将于明年在欧洲核子研究中心（CERN）的核设施启动，但目标阶段已计划到 2027 年，届时克拉科夫的物理学家们将有机会看到他们创造的人工智能能否完成重建粒子轨迹的工作。在真实实验条件下确认其有效性可能标志着粒子探测技术新时代的开始。

编译自:ScitechDaily