众所周知，电脑可以击败围棋冠军、模仿恒星爆炸并预测全球气候。人们正逐步将机器训练成无可挑剔的成绩处理者和疾速学习者。

目前，华中师范大学的物理学家及其协作者曾经证明电脑可以用于处理宇宙最大的奥妙。该团队经过输出不计其数的高能粒子碰撞模仿图像来训练电脑辨认图像中的重要特征。研讨人员将弱小的阵列（称为神经网络）编程为一品种似蜂房的数字大脑，用于剖析和解释碰撞中留下的颗粒碎片的图像。在这样的测试中，研讨人员发现神经网络在辨认大约18000张图像的重要特征时，成功率高达95％。

The colored lines represent calculated particle tracks from particle collisions occurring within Brookhaven National Laboratorys STAR detector at the Relativistic Heavy Ion Collider, and an illustration of a digital brain. The yellow-red glow at center shows a hydrodynamic simulation of quark-gluon plasma created in particle collisions. Credit: Berkeley Lab

这项研讨效果已于1月15日在《自然-通讯》(Nature Communications)杂志上宣布。下一步研讨方案是将相反的机器学习进程使用于实践的物理实验数据。

宣布在《自然通讯》的文章

弱小的机器学习算法允许神经网络在处置更多图像后改良其剖析才能。这项基本技术还被用于面部辨认和其他基于图像的物体辨认使用。本研讨中运用的图像与美国布鲁克海文国度实验室绝对论重离子对撞机和欧洲核子研讨中心实验室的大型强子对撞机的重离子对撞机实验严密相关。（ps.这两个实验华中师范大学都参与了。）这些图像再现了亚原子粒子“汤”的形态，这种超低温流体态就是在宇宙降生后仅存在百万分之一秒的夸克胶子等离子体。

“我们尝试着去发现夸克胶子等离子体最重要的性质”该研讨团队中的华中师范大学粒子物理研讨所所长王新年教授表示，夸克胶子等离子体的一些性质由于其存在工夫极短且发作在极为巨大的尺度而蒙上了一层奥秘的面纱。

实验中，物理学家经过粒子对撞机粉碎重核，比方粉碎剥离电子后失掉的金原子核和铅原子核。这些碰撞会释放出原子核外部的粒子，甚至打破由夸克和胶子紧紧约束构成的质子和中子，使夸克和胶子处于自在挪动的形态，构成一个霎时的亚原子尺度的火球夸克胶子等离子体。

研讨人员希望经过研讨夸克胶子等离子体构成的条件，比方说该形态构成所需求的能量以及它转变成流体形态时的温度和压强，进而在物质组成粒子及性质和宇宙成型阶段的研讨这两方面失掉新的启示。

但是碰撞中物质相变所触及的“形态方程”的严厉测量确实有极大应战性。实验中，初始态会影响最初粒子的输入，而从中提取与这些条件有关的形态方程则十分之难。

“核物理范畴中的圣杯就是发现高能互相作用中的相变进程并从实验数据中确定形态方程，”王新年教授说道，“这就是我们还得从实验中探究的夸克胶子等离子体最重要的性质。”

据悉，该项最新研讨的第一作者庞龙刚，曾是华中师范大学博士后，现为美国加州大学伯克利分校博士后。他引见说，他是2016年在法兰克福前沿研讨所做博后的时分开端对人工智能使用于处理迷信成绩的潜力发生了兴味。他与法兰克福初等研讨中心的协作者周凯，苏南发现有一类具有深度卷积神经网络的人工智能（AI），这类AI的创造源于植物大脑对图像处置的架构的启示，而且它在处置迷信类图像时有很好的适用性。

“这类神经网络可以从相机输出中辨认出图样并对运动和地位做出评价”庞龙刚表示，“我们事先就以为，假如我们具有一些可视化的迷信数据，我们也许可以失掉一个笼统的概念或许有价值的物理信息”

The diagram at left, which maps out particle distribution in a simulated high-energy heavy-ion collision, includes details on particle momentum and angles. Th不知道从何时开始，个人信用渗透到生活的方方面面。图书、数码产品免押金借用，办理签证无需银行流水证明，甚至租车住酒店都不需要交付押金……ousands of these images were used to train and test a neural network to identify important features in the images. At right, a neural network used the collection of images to created this "importance map" - the lighter colors represent areas that are considered more relevant to identify equation of state for the quark-gluon matter created in particle collisions. Credit: Berkeley Lab

王新年教授进一步解释说，“我们尝试经过此类机器学习，从众多图样中失掉一个与形态方程有关的共同形式或关联”，所以经过训练的神经网络能在图像中准确定位并发现那些与迷信家们尝试处理的成绩最有联络的关联。
#p#分页标题#e#

用于剖析所需的数据积聚需求很强的计算机方面的资源，庞龙刚博士说，由于有时分仅仅失掉一个图像就需求花一天的工夫去做计算，而当我们运用少量的GPU做并行运算时，我们只需求20分钟就可以失掉一个图像。GPU是图形处置部件，最开端开发用于改善电脑游戏体验，至今已被用于很多方面。在他们的研讨中，他们大局部的计算任务是在德国GSI和中国华中师范大学的GPU簇群上完成的。华中师范大学行将建成的核物理高功能计算中心的GPU簇群将会为当前的研讨提供愈加弱小的计算才能。

研讨人员表示，运用复杂神经网络的益处在于它们可以识别在最后的实验中都没有发现的特征，这就像完成了易如反掌一样。而且它们还能从模糊的图像中提取有用的信息。

“即便你的图像分辨率较低，你依然可以失掉一些有用的信息”庞龙刚博士说到。

机器学习使用于真实重离子碰撞实验数据剖析惹起了普遍的讨论，模仿的后果也将有助于解释真实数据。

“机器学习在高能粒子物理范畴中将会有很多使用”王新年教授表示，不只仅是粒子碰撞实验中。

据悉，参与该项研讨的还有法兰克福前沿研讨所，歌德大学，GSI亥姆霍兹重离子研讨中心的Hannah Petersen 和 Horst Stocker 教授。 这项任务得益于美国动力部根底动力迷信处，国度迷信基金会，Helmholtz协会，GSI，SAMSON AG，歌德大学，中国国度自然迷信基金，国度严重根底研讨开展方案和亥姆霍兹国际反离子和离子研讨设备中心的支持。