伯克利实验室的物理学家参与了CERN ATLAS探测器3年数据的探索。

 CERN的ATLAS探测器将在2020年进行升级，为计划于2022年开始的下一轮粒子物理实验做准备。(来源：CERN)

在物理学家不断寻找新粒子的过程中，当您知道在哪里寻找时，总是最容易找到它们。理论可以将搜索范围缩小并集中于具有特定质量或质量范围的粒子，或者具有特定的父，子或同级粒子的搜索范围，因为它们是从类似于烟花的级联粒子碰撞中爆发出来的。

更具挑战性的是(例如，在您不知道地址或所有者身份的情况下在地图上搜索房屋)，是寻找新粒子而又不知道粒子的外观或行为方式的线索。

但美国能源部劳伦斯伯克利国家实验室(Berkeley Lab)的物理学家本·纳奇曼说，为排除粒子藏身之处的努力是值得的。他参加了一项研究，该研究利用人工智能在三年内扫描新粒子来自CERN ATLAS探测器的粒子碰撞数据。

纳赫曼说：“令我担心的是，也许我们一直在找错地方，这就是为什么我们还没有发现任何新物理学的证据的原因。”纳赫曼曾作为CERN实验的成员，他是伯克利ATLAS小组的成员实验室 “我们的主要动机是，我们针对特定模型进行了大量搜索。这种新方法属于与模型无关的类。”

在整个ATLAS合作为最新结果做出贡献的同时，Nachman与伯克利实验室的分支机构以及SLAC国家加速器实验室的博士后研究员Aviv Cukierman一起构思了分析并进行了领导。

这项新的探索在《物理评论快报》上进行了详细描述，它依靠机器学习算法来搜索2015-18年度收集的ATLAS检测器数据中的异常，而无需依赖任何粒子模拟。机器学习是人工智能的一种形式，可以在不断获取更多数据的同时改善其搜索。

在这项研究中，研究人员针对涉及两个“喷射”的粒子碰撞事件的实际数据训练了机器学习算法，这是在碰撞事件中产生的粒子的狭窄圆锥体，它们往往以相同的方向行进通过检测器。为了管理海量数据，研究人员还为搜索设置了最低能量阈值。

该算法在“突跳搜索”中松散设置，该搜索是在任何特定能量下搜索任何意外的，具有统计意义的信号。它被设计为对粒子事件敏感，包括那些未知粒子分解为另外两个未知粒子的事件-以前从未使用ATLAS数据进行过这种搜索。

Nachman指出：“第一个测试没有发现任何新粒子的证据，但是对于给定的一组模型，我们证明了我们的覆盖范围比以前的任何搜索都更广泛-我们投下了一大笔钱。而且我们有很多敏感性。” 那个大网络包括大约20,000个神经网络的使用，这是在机器学习训练过程中使用的算法集。

该研究的部分挑战在于确定哪些神经网络最有可能成功检测到异常。他说：“我们无法调查所有20,000人。”

研究人员在研究中指出，神经网络是在简化的2D空间(由图像表示)上训练的，“因此，有很大的潜力将该方法扩展为包括附加功能和更多最终状态，以确保广泛覆盖未预期的情况。”

纳赫曼(Nachman)说，他期待使用Perlmutter铸造更宽的网络，这是一台安装在伯克利实验室国家能源研究科学计算中心(NERSC)的超级计算机。Perlmutter配备了图形处理单元(GPU)，可以对ATLAS数据实施更复杂的机器学习算法。

他说：“我们将拥有大量的GPU节点，可以将这一分析推向更高的水平。”NERSC是DOE科学办公室的用户设施。美国能源部科学办公室和国家科学基金会在美国为ATLAS协作提供了支持。

劳伦斯·伯克利国家实验室(Lawrence Berkeley National Laboratory) 及其科学家被认为是团队能够最好地应对最大的科学挑战而成立于1931年， 现已获得14项诺贝尔奖。如今，伯克利实验室的研究人员开发了可持续的能源和环境解决方案，创建了有用的新材料，推动了计算的前沿，并探索了生命，物质和宇宙的奥秘。来自世界各地的科学家依靠实验室的设施进行自己的发现科学。伯克利实验室是一个多程序国家实验室，由加利福尼亚大学为美国能源部科学办公室管理。

美国能源部科学办公室是美国物理科学基础研究的最大支持者，并致力于解决当今时代最紧迫的挑战。