作者:约瑟夫
阿尔贡国家实验室哈蒙 大型强子对撞机ATLAS探测器示意图
信用:阿特拉斯协作 瑞士日内瓦附近的大型强子对撞机(LHC)于2012年因发现希格斯玻色子而闻名于世
这一观察标志着对粒子物理学标准模型的重要确认，该模型将亚原子粒子组织成类似化学元素周期表中元素的组
美国
S
能源部阿贡国家实验室对LHC的阿特拉斯实验探测器的建造和运行，以及对探测器记录的揭示粒子碰撞基本物理的信号分析做出了许多重要贡献
阿尔贡目前在计划于2027年开始的ATLAS探测器高亮度升级中发挥着主导作用
为此，一组阿尔贡物理学家和计算科学家设计了一种基于机器学习的算法，该算法近似于目前的探测器将如何响应预计随着升级而大大增加的数据
作为有史以来最大的物理机器，LHC在一个17英里的环周围以相反的方向发射两束质子，直到它们接近光速，将它们撞在一起，并用像阿特拉斯这样的巨型探测器分析碰撞产物
阿特拉斯仪器大约有六层楼高，重约7000吨
今天，LHC继续研究希格斯玻色子，以及解决宇宙中的物质是如何以及为什么是这样的基本问题
阿尔贡高能物理(HEP)部门的助理物理学家沃尔特·霍普金斯说:“在阿特拉斯系统中，大多数研究问题都是大海捞针，科学家们只对发现十亿个事件中的一个感兴趣。”
作为LHC升级的一部分，目前正在努力将LHC的亮度——两个质子束每次碰撞的质子对质子相互作用的数量——提高五倍
这将比目前LHC实验获得的数据每年多10倍
检测器对这种增加的事件率的反应有多好还需要了解
这需要运行探测器的高性能计算机模拟，以准确评估LHC碰撞导致的已知过程
这些大规模模拟成本高昂，需要在世界上最好、最强大的超级计算机上花费大量计算时间
阿尔贡团队已经创建了一个机器学习算法，将在任何全面模拟之前作为初步模拟运行
该算法以非常快且成本较低的方式近似了当前检测器将如何响应随着升级而预期的大幅增加的数据
它包括模拟探测器对粒子碰撞实验的响应，以及根据物理过程重建物体
这些重建的物体包括粒子射流或喷雾，以及像电子和μ子这样的单个粒子
“在LHC和其他地方新物理的发现需要更复杂的方法来进行大数据分析，”和平大学的计算科学家道格·本杰明说
“如今，这通常意味着使用机器学习和其他人工智能技术
" 先前用于初始模拟的分析方法没有使用机器学习算法，并且是耗时的，因为它们涉及当LHC条件改变时手动更新实验参数
有些人也可能错过实验中给定输入变量的重要数据相关性
阿贡开发的算法在应用训练程序时实时学习需要通过详细的完全模拟引入的各种特征，从而避免了手工制作实验参数的需要
该方法还可以捕获变量之间复杂的相互依赖关系，这在以前是不可能的
霍普金斯说:“通过我们简化的模拟，你可以用相对较少的计算成本和时间学习基础知识，然后你可以在以后更有效地进行完全模拟。”
“我们的机器学习算法还为用户提供了更好的辨别能力，让他们能够在实验中寻找新的或罕见的事件，”他补充道
该小组的算法不仅对阿特拉斯系统，而且对LHC的多个实验探测器，以及目前正在世界各地进行的其他粒子物理实验都是无价的
这项名为“使用机器学习的自动探测器模拟和重建参数化”的研究发表在《仪器学报》上
来源：由phyica.com整理转载自PH，转载请保留出处和链接！
