让数据说话！大型强子对撞机探索新粒子物理标准模型的新方法

一种曾经备受争议的粒子物理学方法现已成为大型强子对撞机(LHC)研究的主流，大型强子对撞机的主要实验ATLAS也正式支持了这一方法，这是一种搜索机器产生的大量数据的另一种方法，同时它也是对撞机能探测超出粒子物理标准模型的行为的最大希望。因为到目前为止，传统技术依然毫无发现。

在欧洲核子研究中心(CERN，位于瑞士日内瓦附近的欧洲粒子物理实验室)进行的几乎所有的研究都涉及到“有针对性的搜索”，以寻找自己喜欢的理论的特征。ATLAS合作于上个月在arXiv服务器上发布了一份预印本，并提交给了欧洲物理杂志，描述了它对探测器数据的第一次“全面”搜索。另一个LHC主要项目CMS同样在执行相似的任务。

荷兰内梅亨大学(Radboud University Nijmegen)的萨沙•卡隆(Sascha Caron)在ATLAS实验中大力推动这种方法，他表示：“我的目标是尝试提出一种崭新的方法来寻找崭新的物理学。”是那种有数据支持的崭新物理学而不是只有理论支持的物理学。综合搜索和定向搜索之间的差异就像是检查整个文本的拼写和搜索文本中特定单词的差异一样。这些广泛的搜索如果与日益复杂的人工智能(AI)方法相结合的话可能会在不久的将来实现它们的全部潜力。

大型强子对撞机的研究人员希望这些方法能引领他们找到下一个重大发现，上一个重大发现是2012年发现的希格斯玻色子，它是标准模型的最后一部分，这个标准模型在20世纪60年代和70年代发展起来，描述了所有已知的亚原子粒子，但是物理学家怀疑这个理论模型还有更多的内容，例如，这个理论就没有考虑到暗物质。但是大型实验如大型强子对撞机还没有找到与之相关的证据。欧洲核子研究中心(CERN)的理论部门负责人吉安•朱迪斯(Gian Giudice)没有参与任何实验，但他认为这意味着尝试新事物，包括一般性搜索，是非常重要的。“目前这是正确的方法。”

碰撞的过程

大型强子对撞机每秒以巨大的能量将数百万个质子撞击在一起，产生大量的衰变粒子，这些粒子由ATLAS和CMS等探测器记录下来。许多不同类型的粒子相互作用也可以产生相同的碎片。例如，希格斯粒子的衰变可能产生一对光子，但其他更常见的过程也可以产生相同的结果。因此，为了寻找希格斯玻色子，物理学家们首先进行了模拟，以预测容易混淆的粒子对的预期数量。然后他们计算了探测器中记录的所有光子对，并将它们与模拟结果进行比较。两个数据之间的不同，即在一个狭窄的能量范围内光子对略有增加的数量，就是希格斯粒子存在的证据。

ATLAS和CMS已经进行了数百次定向搜索，寻找标准模型中没有的粒子。许多搜索都在寻找各种超对称性，即对模型的理论扩展，其中包括假设粒子，比如暗物质的疑似粒子中轻微子。但到目前为止，这些搜索结果都空手而归。

这就给出了这样的一种可能性：有一些独特的粒子产生了没有人想到过的特征，而这些特征更有可能被普通搜索找到。例如，卡隆说，物理学家还没有观察到产生3个光子而不是2个光子的事件。“我们有数百人在研究希格斯衰变和超对称性，但也许我们错过了一些没人想到的东西，”德国亚琛大学的CMS成员Arnd Meyer说。

虽然定向搜索通常只关注几种类型的衰变产物，但最新的研究一次过分析了700多种类型的衰变产物。该研究分析了LHC升级后的第一年即2015年收集的数据，升级后，对撞机的质子碰撞能量从8万亿电子伏(TeV)提高到13万亿电子伏。在CMS, Meyer和一些合作者已经对8万亿电子伏运行的一组较小的数据进行了一项原理验证研究，该研究尚未发表。

到目前为止，两个实验都没有发现明显的偏差。研究小组表示，这并不奇怪，因为数据集相对较小。ATLAS和CMS现在都在搜索2016年和2017年收集的数据，这些数据要大上几十倍。

统计上的缺点

麻省理工学院的物理学家Markus Klute说，这种方法“有明显的优势，但也有明显的缺点”。Klute是CMS的一部分，曾在以前的实验中参与过综合搜索，但他没有直接参与最近的研究。

这种方法的一个限制是统计能力。如果一个定向搜索找到一个积极的结果，则会有标准的程序来计算其重要性;然而综合搜索当撒大网时，肯定会出现一些错误的阳性结果，这是过去综合搜索不受青睐的原因之一：许多物理学家担心它们会导致太多的死胡同。但研究小组表示，他们在使研究方法更加可靠方面投入了大量工作。Klute说：“我很高兴这种努力出现了。”

大型强子对撞机实验中的大部分人力和资源仍被投入到定向搜索中，而且这种情况可能会继续持续一段时间。马萨诸塞州波士顿大学(Boston University)的图利卡•博斯(Tulika Bose)帮助协调了CMS的研究项目，他表示：“鉴于我们有这么多的搜索项目，且都详尽地覆盖了大部分参数空间，一些人已经开始怀疑这种综合搜索是否有用。”

许多从事综合搜索的研究人员表示，他们最终希望使用人工智能来完全消除标准模型模拟。这种方法的支持者希望使用机器学习，在不存在任何理论偏差的情况下发现数据中的模式。“我们想要扭转目前的策略，让数据来告诉我们下一步该往哪里看，”卡隆说。计算机科学家也在推动这种“无监督”的机器学习，与之相比，有监督的机器学习“学习”的是之前已经被人类标记过的数据。