详细内容或原文请订阅后点击阅览
#AAAI2026 邀请演讲：粒子物理的机器学习
模拟大型强子对撞机 CMS 粒子探测器数据描绘了质子碰撞衰变成强子射流和电子而产生的希格斯玻色子。根据 CC BY-SA 3.0 许可证复制。丹尼尔·怀特森是一位粒子物理学家，他使用机器学习和统计工具来分析高能粒子碰撞。他也是一位专注的科学传播者，拥有 [...]
来源:ΑΙhub模拟大型强子对撞机 CMS 粒子探测器数据描绘了质子碰撞衰变成强子射流和电子而产生的希格斯玻色子。根据 aCC BY-SA 3.0 许可证复制。
Daniel Whiteson 是一位粒子物理学家，他使用机器学习和统计工具来分析高能粒子碰撞。他还是一位热心的科学传播者，出版过书籍和漫画，并且是科学播客的共同主持人。在第四十届 AAAI 人工智能会议 (AAAI-26) 上的受邀演讲中，Daniel 分享了他对职业生涯这两个方面的见解。
Daniel 在 CERN 的大型强子对撞机 (LHC) 工作，主要研究质子-质子碰撞，碰撞发生在 13 TeV，是单个质子存储能量的 13,000 倍。大多数碰撞都会产生已知粒子，例如电子或μ子。然而，偶尔会发现新粒子的证据。粒子从未被直接观察到，相反，研究人员分析对撞机探测器的读数，试图推断碰撞中发生的情况。根据这些信息，他们可以推断出涉及哪些粒子。
那么机器学习从何而来呢？事实上，粒子物理学家已经使用机器学习很长时间了，比深度学习革命早很多年。在 20 世纪 90 年代早期，它采用浅层网络的形式，主要用于降低问题的维度以输入到模拟中。 2012年，深度神经网络被应用于希格斯玻色子的发现。现在，机器学习在粒子物理学中无处不在，通常用于对数据进行分类和生成模拟数据。研究人员还创建图形网络来表示结构化数据。其他用例包括用于优化实验本身设计的机器学习以及粒子理论。
标签：
,
露西·史密斯是 AIhub 的高级执行编辑。