眾所周知，電腦能夠擊敗圍棋冠軍、模擬恆星爆炸並預測全球氣候。人們正逐漸將機器訓練成無可挑剔的問題解決者和快速學習者。
目前，華中師範大學的物理學家及其合作者已經證實電腦能夠用於解決宇宙最大的奧秘。該團隊通過輸入成千上萬的高能粒子碰撞模擬圖像來訓練電腦識別圖像中的重要特徵。研究人員將強大的陣列（稱為神經網絡）編程為一種類似蜂房的數字大腦，用於分析和解釋碰撞中留下的顆粒碎片的圖像。在這樣的測試中，研究人員發現神經網絡在識別大約18000張圖像的重要特徵時，成功率高達95％。
The colored lines represent calculated particle tracks from particle collisions occurring within Brookhaven National Laboratory's STAR detector at the Relativistic Heavy Ion Collider, and an illustration of a digital brain. The yellow-red glow at center shows a hydrodynamic simulation of quark-gluon plasma created in particle collisions. Credit: Berkeley Lab
這項研究成果已於1月15日在《自然-通訊》(Nature Communications)雜誌上發表。下一步研究計劃是將相同的機器學習過程應用於實際的物理實驗數據。
發表在《自然·通訊》的文章強大的機器學習算法允許神經網絡在處理更多圖像後改進其分析能力。這項根本技術還被用於面部識別和其他基於圖像的物體識別應用。本研究中使用的圖像與美國布魯克海文國家實驗室相對論重離子對撞機和歐洲核子研究中心實驗室的大型強子對撞機的重離子對撞機實驗緊密相關。（ps.這兩個實驗華中師範大學都參加了。）這些圖像再現了亞原子粒子「湯」的狀態，這種超高溫流體態就是在宇宙誕生後僅存在百萬分之一秒的夸克膠子等離子體。
「我們嘗試著去發現夸克膠子等離子體最重要的性質」該研究團隊中的華中師範大學粒子物理研究所所長王新年教授表示，夸克膠子等離子體的一些性質因為其存在時間極短且發生在極為微小的尺度而蒙上了一層神秘的面紗。
實驗中，物理學家通過粒子對撞機粉碎重核，比如粉碎剝離電子後得到的金原子核和鉛原子核。這些碰撞會釋放出原子核內部的粒子，甚至打破由夸克和膠子緊緊束縛形成的質子和中子，使夸克和膠子處於自由移動的狀態，形成一個瞬間的亞原子尺度的火球——夸克膠子等離子體。
研究人員希望通過研究夸克膠子等離子體形成的條件，比如說該狀態形成所需要的能量以及它轉變成流體狀態時的溫度和壓強，進而在物質組成粒子及性質和宇宙成型階段的研究這兩方面得到新的啟發。
但是碰撞中物質相變所涉及的「狀態方程」的嚴格測量的確有極大挑戰性。實驗中，初始態會影響最後粒子的輸出，而從中提取與這些條件無關的狀態方程則非常之難。
「核物理領域中的聖杯就是發現高能相互作用中的相變過程並從實驗數據中確定狀態方程，」王新年教授說道，「這就是我們還得從實驗中探索的夸克膠子等離子體最重要的性質。」
據悉，該項最新研究的第一作者龐龍剛，曾是華中師範大學博士後，現為美國加州大學伯克利分校博士後。他介紹說，他是2016年在法蘭克福前沿研究所做博後的時候開始對人工智慧應用於解決科學問題的潛力產生了興趣。他與法蘭克福高等研究中心的合作者周凱，蘇南發現有一類具有深度卷積神經網絡的人工智慧（AI），這類AI的發明源於動物大腦對圖像處理的架構的啟發，而且它在處理科學類圖像時有很好的適用性。
「這類神經網絡能夠從相機輸入中識別出圖樣並對運動和位置做出評估」龐龍剛表示，「我們當時就認為，如果我們具有一些可視化的科學數據，我們也許能夠得到一個抽象的概念或者有價值的物理信息」
The diagram at left, which maps out particle distribution in a simulated high-energy heavy-ion collision, includes details on particle momentum and angles. Thousands of these images were used to train and test a neural network to identify important features in the images. At right, a neural network used the collection of images to created this "importance map" - the lighter colors represent areas that are considered more relevant to identify equation of state for the quark-gluon matter created in particle collisions. Credit: Berkeley Lab
王新年教授進一步解釋說，「我們嘗試通過此類機器學習，從眾多圖樣中得到一個與狀態方程有關的獨特模式或關聯」，所以經過訓練的神經網絡能在圖像中精確定位並發現那些與科學家們嘗試解決的問題最有聯繫的關聯。
用於分析所需的數據積累需要很強的計算機方面的資源，龐龍剛博士說，因為有時候僅僅得到一個圖像就需要花一天的時間去做計算，而當我們使用大量的GPU做並行運算時，我們只需要20分鐘就可以得到一個圖像。GPU是圖形處理部件，最開始開發用於改善電腦遊戲體驗，至今已被用於很多方面。在他們的研究中，他們大部分的計算工作是在德國GSI和中國華中師範大學的GPU簇群上完成的。華中師範大學即將建成的核物理高性能計算中心的GPU簇群將會為以後的研究提供更加強大的計算能力。
研究人員表示，使用複雜神經網絡的好處在於它們能夠辨認在最初的實驗中都沒有發現的特徵，這就像實現了大海撈針一樣。而且它們還能從模糊的圖像中提取有用的信息。
「即使你的圖像解析度較低，你仍然可以得到一些有用的信息」龐龍剛博士說到。
機器學習應用於真實重離子碰撞實驗數據分析引起了廣泛的討論，模擬的結果也將有助於解釋真實數據。
「機器學習在高能粒子物理領域中將會有很多應用」王新年教授表示，不僅僅是粒子碰撞實驗中。
據悉，參與該項研究的還有法蘭克福前沿研究所，歌德大學，GSI亥姆霍茲重離子研究中心的Hannah Petersen 和 Horst Stocker 教授。 這項工作得益於美國能源部基礎能源科學處，國家科學基金會，Helmholtz協會，GSI，SAMSON AG，歌德大學，中國國家自然科學基金，國家重大基礎研究發展計劃和亥姆霍茲國際反離子和離子研究設施中心的支持。
本文轉載自科學網
文字作者：黃辛
圖片來源：《 Nature Communications》
（原題為《華中師大科學家利用機器學習探索亞原子「湯」的奧秘 相關成果近期在《自然·通訊》發表》）