- 布魯克海文國家實驗室研發機器學習模型,能精準識別粒子噴流。
- 該模型無需標籤,直接從模擬數據中學習,提升測量精度。
- 噴流信號被背景粒子掩蓋,影響了測量準確性。
- 團隊計劃將模型應用於真實數據,並擴展至其他實驗。
布魯克海文國家實驗室的物理學家研發了一種機器學習模型,該模型可自動從重離子碰撞中大量背景雜訊中辨識粒子噴流。這一進展將有助於提高對夸克-膠子 Plasma 的測量精度,該物質在大爆炸後的一微秒內存在。布魯克海文的團隊與哥倫比亞大學及科羅拉多大學博爾德分校的研究人員合作,在《科學報告》中描述了這一方法。實驗室表示,這是首次在此任務中使用“無配對、無監督”的生成模型。
該模型直接從模擬碰撞數據中學習,而非依賴科學家提供的標籤。
模型無需標籤的創新
噴流難以觀察的原因在於,在相對論重離子對撞機(RHIC)中,重離子以接近光速碰撞,短暫重現自由夸克和膠子的“湯”。噴流是高能粒子的集中噴發,是探測該 Plasma 的最佳工具之一。它們在穿過 Plasma 時能量損失並改變結構。然而,噴流的信號被大量其他粒子的背景所掩蓋,這一問題長期以來限制了噴流測量的準確性。布魯克海文的物理學家兼石溪大學助理教授高妍珠表示:“改善背景消減可以使得在極端條件下夸克和膠子之間的相互作用測量更加精確。
”
通常,教導算法需要標註數千個示例,例如將圖片標註為貓或狗。然而,布魯克海文計算機科學家德米特里·託爾布諾夫指出,真實的實驗數據並不提供答案鍵,因此這一方法無法適用。該新模型省略了標籤。它展示了 Plasma 的純背景和理想的模擬噴流,並自行推導出如何提取噴流信號,同時去除背景。高妍珠將其比作將擁擠的圖像分為兩部分:噴流和其他所有內容。
團隊在 sPHENIX 的模擬數據中對其進行測試,該檢測器在 RHIC 的最後三次運行中運作。在這些測試中,模型比傳統的背景消減方法更準確地重建了噴流的位置、能量和內部結構,尤其是對於較大噴流,其中背景波動最強。目前的結果基於模擬數據。
未來應用展望
下一步是將其應用於真實數據。sPHENIX 在運行期間收集了近 300PB 的數據,這相當於數十億張智能手機照片。高妍珠表示,這將是核物理和粒子物理界首次使用此類模型。團隊預計它將適用於計劃中的電子-離子對撞機和歐洲的大型強子對撞機的能量計測量。由於該模型可在類似圖像的檢測器數據上運作,研究人員表示,它還可能幫助其他需要分離重疊信號的實驗。
該項目與能源部的創世任務第一階段獎勵有關,由巴魯克學院主導,布魯克海文、石溪大學、哥倫比亞大學和科羅拉多大學博爾德分校共同參與。布魯克海文的實驗室導向研究與開發資金以及能源部科學辦公室支持了這項工作。高妍珠讚揚與布魯克海文計算機科學家的緊密合作,表示這不是一次性的項目,她對機器學習在科學中的新機會感到興奮。
機器學習在粒子物理中的潛力
布魯克海文國家實驗室的這一進展顯示了機器學習在粒子物理研究中的潛力,特別是在處理複雜數據時。傳統方法往往依賴大量標註數據,而新模型的無監督學習方式能有效克服這一限制,為粒子噴流的精確測量提供了新的可能性。隨著模型的進一步應用,未來可能會對核物理和粒子物理的研究帶來深遠影響,並推動相關領域的技術進步。

