打开网易新闻 查看更多图片

科学家首次利用神经网络分析大型强子对撞机的超环面仪器（ATLAS）实验数据，从中识别出值得进一步研究的异常现象，有机会代表存在超出标准模型的全新物理。

粒子物理学家平常工作就是挖掘大量粒子对撞机数据，从中寻找未包含在粒子物理标准模型内的新粒子潜在证据。

日前，美国阿贡国家实验室团队使用一种新机器学习方法分析大量ATLAS数据，提高效率并打破过去寻找新物理学的传统手段，目标并非寻找具体偏差，而是找出可能与理论预测不同的不寻常特征。

传统上，ATLAS科学家依靠理论模型引导实验与分析结果朝最有希望的方向发展，通常会执行复杂计算机模拟，然后将这些预测与ATLAS真实数据进行比较。

但迄今为止，ATLAS仪器记录的数十亿次碰撞都未观察到与标准模型有所偏差的数据，而自2012年发现希格斯玻色子以来，ATLAS实验都未发现任何新粒子。

而阿贡国家实验室团队以新机器学习方法分析ATLAS仪器2015～2018年记录的约1.6亿个事件，尽管没有发现明显的新物理学迹象，但确实找出值得进一步研究的异常现象：一种能量约4.8 TeV的通用粒子衰变会产生μ子与其他粒子，其方式不符合我们对标准模型互动作用的理解。

研究人员指出，这种衰变可能表明存在未被发现的新粒子，需要做更多调查。有鉴于当前机器学习领域进步快速，未来几年在粒子物理学的应用有望增加更多理解，团队接下来计划将该技术应用于LHC Run-3期间收集的数据。

（首图来源：pixabay）