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年記錄的約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的通用粒子衰變會產生μ子與其他粒子，其方式不符合我們對標準模型互動作用的理解。
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，團隊接下來計劃將該技術應用於LHC Run-3期間收集的數據。
（首圖來源：pixabay）
