促进计算能力与机器学习，以实现粒子物理学的未来

与大型强子撞机的人工智能接口可以导致数据分析的精度更高，这可以改善基本物理性质的测量，并可能导致新的发现。

一项新的机器学习技术，由国际科学家队进行测试，包括麻省理工学院助理教授菲利普哈里斯教授和核科学实验室的Postdoc Dylan Rankin，可以在眨眼间的大型强子撞机（LHC）数据的海洋中发现特定的粒子签名一只眼睛。

复杂和迅速，新系统在游戏变化的角色机器学习中提供了一瞥，将在粒子物理学中的未来发现中发挥作用，因为数据集变得更大，更复杂。

LHC每秒创造约4000万次碰撞。利用如此大量的数据来筛选，需要强大的计算机来识别科学家可能有兴趣的那些碰撞，无论是暗示的暗物质还是HGGS颗粒。

现在，Fermilab，Cern，MIT，华盛顿大学和其他地方的科学家已经测试了一种机器学习系统，与现有方法相比，将处理加速30至175次。

此类方法当前处理小于每秒图像。相比之下，新的机器学习系统每秒可以审查高达600张图像。在其培训期间，系统学会了挑选出一种特定类型的后期粒子模式。

“我们识别的碰撞模式，顶级夸克是我们在大型Hadron撞机的基本粒子之一，”哈里斯说，是麻省理工学院物理系的成员。“我们非常重要，我们尽可能多地分析数据。每条数据都带有有趣的信息，了解粒子如何互动。“

这些数据将在目前的LHC升级完成后从未如前浇注;到2026年，预计17英里的粒子加速器会产生20倍的数据，就像目前一样多的数据。为了使更重要的更新，未来的图像也将在更高的分辨率上采取而不是现在的决议。总而言之，科学家和工程师估计LHC需要超过10倍的计算能力它的计算能力。

“未来跑步的挑战，”哈里斯说，随着我们的计算变得更加准确，我们探讨了更精确的效果。“

该项目的研究人员培训了他们的新系统来识别顶夸克的图像，最巨大的基本粒子，比质子重约180倍。“随着我们可用的机器学习架构，我们能够获得高档的科学质量结果，可与世界上最好的顶级夸克识别算法相媲美，”哈里斯解释道。“以高速实施核心算法使我们能够灵活地在最需要的关键时刻增强LHC计算。”