新粒子？AI 篩選出異常數據，可能揭示標準模型之外的新物理

科學家首次利用神經網路分析大型強子對撞機的超環面儀器（ATLAS）實驗數據，從中識別出值得進一步研究的異常現象，有機會代表存在超出標準模型的全新物理。

粒子物理學家平常工作就是挖掘大量粒子對撞機數據，從中尋找未包含在粒子物理標準模型內的新粒子潛在證據。

日前，美國阿貢國家實驗室團隊使用一種新機器學習方法分析大量 ATLAS 數據，提高效率並打破過去尋找新物理學的傳統手段，目標並非尋找具體偏差，而是找出可能與理論預測不同的不尋常特徵。

傳統上，ATLAS 科學家依靠理論模型引導實驗與分析結果朝最有希望的方向發展，通常會執行複雜電腦模擬，然後將這些預測與 ATLAS 真實數據進行比較。

但迄今為止，ATLAS 儀器記錄的數十億次碰撞都未觀察到與標準模型有所偏差的數據，而自 2012 年發現希格斯玻色子以來，ATLAS 實驗都未發現任何新粒子。

而阿貢國家實驗室團隊以新機器學習方法分析 ATLAS 儀器 2015～2018 年紀錄的約 1.6 億個事件，儘管沒有發現明顯的新物理學跡象，但確實找出值得進一步研究的異常現象：一種能量約 4.8 TeV 的奇異粒子衰變會產生 μ 子與其他粒子，其方式不符合我們對標準模型交互作用的理解。

研究人員指出，這種衰變可能表明存在未被發現的新粒子，需要做更多調查。有鑑於當前機器學習領域進步快速，未來幾年在粒子物理學的應用有望增加更多理解，團隊接下來計畫將該技術應用於 LHC Run-3 期間收集的數據。

• Machine learning could help reveal undiscovered particles within data from the Large Hadron Collider

（首圖來源：pixabay）