一种曾经备受争议的粒子物理方法已在大型强子对撞机 (LHC)中成为主流。LHC 的主要 ATLAS 实验已正式支持该方法——一种在机器产生的大量数据中进行搜索的替代方法——作为对撞机探测超出粒子物理标准模型的行为的最佳希望。到目前为止，传统的搜索技术仍然一无所获。
到目前为止，在位于瑞士日内瓦附近欧洲粒子物理实验室 CERN 进行的几乎所有 LHC 研究都涉及对受青睐的理论的特征进行“有针对性的搜索”。ATLAS 合作组织现在在其上个月发布在 arXiv 服务器上并提交给《欧洲物理杂志 C》的预印本中描述了其首次对探测器数据进行的全面“通用”搜索。另一个主要的 LHC 实验 CMS 正在开展一个类似的项目。
“我的目标是尝试提出一种真正新的寻找新物理的方法”——一种由数据而非理论驱动的方法，荷兰拉德堡大学奈梅亨分校的 Sascha Caron 说，他领导了 ATLAS 采取这种方法的努力。通用搜索之于有针对性的搜索，就像拼写检查整个文本之于在文本中搜索特定单词一样。这些广泛的搜索在不久的将来与日益复杂的人工智能 (AI) 方法相结合时，可能会充分发挥其潜力。
支持科学新闻报道
如果您喜欢这篇文章，请考虑通过以下方式支持我们屡获殊荣的新闻报道 订阅。 通过购买订阅，您正在帮助确保关于当今塑造我们世界的发现和想法的有影响力的故事的未来。
LHC 的研究人员希望这些方法能带领他们取得下一个重大发现——这是自2012 年发现希格斯玻色子以来，一直没有发生的事情，希格斯玻色子的发现确定了标准模型的最后一块拼图。该模型在 20 世纪 60 年代和 70 年代开发，描述了所有已知的亚原子粒子，但物理学家怀疑还有更多的东西——例如，该理论没有解释暗物质。但像 LHC 这样的大型实验尚未找到这种行为的证据。这意味着尝试新事物很重要，包括通用搜索，CERN 理论部门负责人、未参与任何实验的 Gian Giudice 说。“在这一点上，这是正确的方法。”
碰撞过程
LHC 以巨大的能量每秒撞击数百万个质子，以产生大量的衰变粒子，这些粒子由 ATLAS 和 CMS 等探测器记录。许多不同类型的粒子相互作用会产生相同的碎片。例如，希格斯衰变可能会产生一对光子，但其他更常见的过程也会产生光子对。因此，为了寻找希格斯，物理学家首先运行模拟，以预测会产生多少对“冒名顶替者”。然后，他们计算探测器中记录的所有光子对，并将其与他们的模拟进行比较。不同之处——在狭窄的能量范围内略微过量的光子对——证明了希格斯的存在。
ATLAS 和 CMS 已经进行了数百次更有针对性的搜索，以寻找标准模型中未出现的粒子。许多搜索都在寻找各种形式的超对称性，这是该模型的理论扩展，其中包括假设的粒子，例如中性微子，暗物质的候选者。但到目前为止，这些搜索都没有结果。
这留下了一种可能性，即存在产生没有人想到的特征的奇异粒子——通用搜索更有可能发现这种粒子。例如，物理学家尚未研究产生三个光子而不是两个光子的事件，Caron 说。“我们有数百人研究希格斯衰变和超对称性，但也许我们遗漏了没人想到的东西，”德国亚琛大学的 CMS 成员 Arnd Meyer 说。
有针对性的搜索通常只关注少数几种衰变产物，而最新的研究一次考察了 700 多种。该研究分析了 2015 年收集的数据，这是 LHC 升级后将对撞机中质子碰撞的能量从 8 万亿电子伏特 (TeV) 提高到 13 TeV 的第一年。在 CMS，Meyer 和一些合作者对 8 TeV 运行中的一小部分数据进行了一项原则验证研究，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。研究小组说，这并不令人惊讶，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，这是一个大几十倍的数据集。
统计缺陷
马萨诸塞州剑桥市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 的一员，并且在以前的实验中从事过通用搜索，但他没有直接参与最近的研究。一个限制是统计能力。如果一个有针对性的搜索找到了积极的结果，那么有标准的程序来计算其显著性；然而，当撒开大网时，必然会出现一些假阳性。这就是过去不赞成通用搜索的原因之一：许多物理学家担心它们会导致太多死胡同。但研究小组表示，他们已经投入了大量工作来使他们的方法更加可靠。“我很高兴这件事取得了进展，” Klute 说。
LHC 实验中的大部分人员和资源仍然用于有针对性的搜索，并且这种情况可能不会很快改变。“鉴于我们有如此多的搜索穷尽地涵盖了大部分参数空间，有些人怀疑这种通用搜索的用处，” 马萨诸塞州波士顿大学的 Tulika Bose 说，她帮助协调 CMS 的研究计划。
许多从事通用搜索的研究人员表示，他们最终希望使用人工智能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数据中找到模式，而没有任何理论偏见。“我们想颠倒策略——让数据告诉我们下一步该往哪里看，”Caron 说。与有监督的类型相比，计算机科学家也在推动这种“无监督”的机器学习，在有监督的类型中，机器通过浏览先前由人类标记的数据来“学习”。
本文经许可转载，并于2018 年 8 月 14 日首次发表。