《理论物理通讯》：高能物理唯象研究中的机器学习

来源：中科院理论物理研究所

机器学习已经发展成为一门典型的多领域交叉学科，其中，深度学习技术展示出了和人类专家相似或者超越人类专家的学习和推断能力。传统机器学习技术在高能实验研究中的应用已经长达三十多年之久，最为成功的一大应用就是使用提升决策树技术帮助LHC对撞机上发现了希格斯粒子。目前，深度学习技术不仅在高能物理实验研究中得到了很大的重视，而且在高能物理唯象学的研究中也同样产生了不少的应用。中国科学院理论物理研究所杨金民研究员的研究小组（成员包括博士生任杰、木拉提、赵俊和南京师大的武雷教授）最近在高能物理唯象研究中应用机器学习方法：

（1） 提出了一种利用主动增量学习来加速新物理模型参数空间扫描的新方法--机器学习扫描，这种方法通过迭代的方式增量地学习历史数据来主动地引导后续的参数采样，从而自行探索新物理模型的参数空间。作为验证，对多个玩具模型和具体的新物理模型参数空间用机器学习扫描方法进行测试，并同其它传统的扫描方法（比如最流行的Multinest方法）进行性能对比，发现机器学习扫描方法可以大幅减小计算成本，同时又拥有更好的发现多个独立参数存活区间的能力,见文献：

10.1016/j.nuclphysb.2019.114613  Nucl.Phys. B943 (2019) 114613。

图1：机器学习扫描方法的工作原理图。

(2)  为了提高对撞机上新物理信号的探测效率，基于以图作为输入的深度学习技术，提出将对撞机事件表示成图，然后设计并训练一种消息传递神经网络(MPNN)来学习LHC对撞机上新物理信号的特征，并进行信号和背景事件的分类以及事件选择，从而实现新物理粒子的寻找。作为验证，将这种方法用于LHC对撞机上的超对称粒子—顶夸克的超对称伴子的寻找和希格斯与顶夸克的联合产生过程的研究（以分辨希格斯的CP性质）。通过模拟实验发现，这种技术利用对图的模式分类，可以有效地将信号事件从大量的背景事件中分辨出来。相比传统的深度神经网络DNN等其它机器学习模型，MPNN神经网络可以更有效地找出信号事件和背景事件的几何模式之间的区别，从而提高信号探测的灵敏度，见文献：

10.1007/JHEP08(2019)055  JHEP 1908 (2019) 055；

arXiv:1901.05627 。

图2：顶夸克的超对称伴子在LHC对撞机上产生的一个事例图。 

针对以上几项工作和机器学习在高能物理唯象研究其它方面的应用，研究组最近撰写长文给予综述，详细论述了机器学习的基本知识（包括监督学习、决策树、全联络神经网络、卷积神经网络、递归神经网络、图形神经网络）以及在高能物理唯象研究中的应用（包括参数扫描、喷注标识、对撞机事例分类等等），对于机器学习扫描方法和消息传递神经网络的应用给予深度详尽的介绍。

相关成果发表在:

Murat Abdughani, Jie Ren, Lei Wu, Jin-Min Yang andJun Zhao, Commun. Theor. Phys. 71 (2019) 955

在中国大陆境内通过以下网址可免费获取：

https://ctp.itp.ac.cn/article/2019/0253-6102/0253-6102-71-8-955.shtml

全球范围内可使用以下网址：

https://iopscience.iop.org/article/10.1088/0253-6102/71/8/955

 此文被《理论物理通讯》评为编辑推荐文章(CTPEditor's suggestion)。