在大型强子对撞机中，每秒会有十亿对质子撞击。有时，机器会干扰现实状况，在碰撞中产生一些前所未有的东西。由于这些事件本身是意外出现的，物理学家们并不清楚自己要寻找什么。

从数十亿次碰撞的数据里，筛选出方便管理的小数据量的过程中，他们担心，可能会无意间删除掉新理论的证据。纽约大学粒子物理学家，在CERN（欧洲核子研究中心）进行过ATLAS实验工作（粒子观测）的Kyle Cranmer讲道，“我们总是担心倒洗澡水的时候，把婴儿也一起倒了出去”。

面对需要减少数据量的挑战，从浩瀚无垠的寻常事件中，挖掘出新的物理现象，一些物理学家开始尝试一种称为“深度卷积神经网络”的机器学习技术。

在机器学习的原型用例中，通过学习大量的标签为“cat”和“dog”的图像，深度卷积神经网络能够掌握辨别猫和狗的能力。

但是，由于物理学家无法向机器输入他们从来没有见过的图像，对于寻找新粒子的问题，这种方法并不奏效。

因此，物理学家尝试让机器从已知的粒子开始，利用细化的信息（比如它们在总体上可能发生的频率），查找不常见的事件 ，这种技术被称为“弱监督学习”。

我们用一个简单的二维平面例子，来说明无监督学习的特点。左边的图，横坐标的三个区间，分别表示三个不同质量箱的粒子；纵坐标表示粒子的数量。蓝线表示粒子的总数，其余四条线表示在不同神经网络中，各自的阈值和粒子的实际数量。中间的图将每个质量箱中粒子的位置展现在二维平面中（紫色表示背景，黄色表示信号）。右边的图中，黑色正方形是本示例模型的目标信号区域。尽管该平面中的粒子没有任何标签信息，无监督学习也能够用这些数据训练出一个分类器。 |  论文①图2

今年五月，在Arxiv.org上发表的一篇论文中，三个研究员提出，应用相关策略来拓展“撞击狩猎”实验（bump hunting），该策略就是发现希格斯玻色子的经典粒子狩猎技术。Ben Nachman是劳伦斯伯克利国家实验室的一名研究员，他说道，具体的思路是训练机器，寻找数据集中罕见的变化。

论文①题目：

CWoLa Hunting: Extending the Bump Hunt with Machine Learning

论文①地址：

https://arxiv.org/abs/1805.02664

我们可以在猫狗实验原理的基础上做一个游戏——从北美森林观测数据集中找出新的动物物种。 

假设任何一个新动物，都倾向于聚集在某个特定的地理区域（一个与围绕某个质量聚集的新粒子相对应的概念），算法可以通过系统地比较临近区域，挑出它们。如果不列颠哥伦比亚省刚好有113只驯鹿，华盛顿州有19只驯鹿（即使数据集中有数百万只松鼠），整个学习过程中都没有直接学习过驯鹿，该程序也可以区分出松鼠和驯鹿。

Tim Cohen是俄勒冈大学的一名理论粒子物理学家，同时，他也研究弱监督学习，他指出，“这不是魔术，但像魔术一样神奇”。

相比之下，粒子物理学中传统的搜索方法，通常要求研究员对新现象做出假设。

他们通过创建模型，描述一个新粒子会如何表现，例如，新的粒子可能会倾向于衰变成已知粒子的特定星座。只有在他们定义了他们要寻找的东西之后，他们才能设计出自定义搜索策略。这项任务通常要花费一个博士生至少一年的时间。

Nachman认为，在机器学习的帮助下，这个过程可以完成得更快，更彻底。

在无监督学习中，通过调整参数的值（图中测试因子分别为10%，5%，1%，和0），构建不同的分类器，可以实现网络性能的变化。以二维模型中的数据为例，训练结果如图所示。前两个例子，网络能够正确地找到信号区域，但也出现了过拟合现象。左下方例子中，网络在信号区域附近找到了正确的形状，性能没有损失，最后一个网络无法收敛到信号区域。 |  论文①图4

CWoLa算法，表示无监督学习（Classification Without Labels），可以搜索任意未知粒子的现有数据。未知粒子会衰变成相同类型的两个较轻的未知粒子，或两个相同或不同类型的已知粒子。

利用普通的搜索方法，LHC机构至少要花费20年时间才可能找到后者存在的可能性，目前对前者的搜索也没有任何结果。

但研究ATLAS项目的Nachman提出，CWoLa可以一次完成所有的这些工作。

论文②题目：

The unexplored landscape of two-body resonances

论文②地址：

https://arxiv.org/abs/1610.09392

其他实验粒子物理学家也一致认为，这是一个有价值的项目。

Kate Pachal是一名物理学家，她在ATLAS项目中寻找新的粒子碰撞，她说道，“我们已经观察了很多可预测的区域，对我们来说，下一步的方向是，观察那些我们没看过的角落。” 去年，她和几个同事一直在试图设计灵活的软件，来处理一系列粒子，但他们中没有人对机器学习有足够的了解。她说，“我想现在是时候试一试这个技术了”。

虽然当前的数据集不利于建模工作，但卷积神经网络有希望发现数据之间微妙的相关性。其他的机器学习技术已经成功地提高了LHC某些任务的效率，比如识别由底夸克粒子制成的“喷流”。

论文③题目：

Machine Learning AIgorithms for b-Jet Tagging at the ATLAS Experiment

论文③地址：

https://arxiv.org/abs/1711.08811

这项工作表明，物理学家们确实在错过一些信号。加利福尼亚大学欧文分校的粒子物理学家丹尼尔怀特森说：“物理学家们将信息留在桌面上。不过如果你已经在机器上花了100亿美元，你并不会想把信息留在桌面上。”

然而，机器学习充满了将手臂与哑铃（甚至更糟糕的事物）相混淆的程序的警示故事。

在LHC，实验性物理学家努力地想要忽视机器自身存在的小问题，但有人担心这种捷径最终会反应出这些问题。ATLAS的物理学家Till Eifert问道，“发现异常时，它是物理学的新突破呢，还是探测器发生了什么有趣的事情呢？”