机器学习在核物理中占有一席之地

科学家们已经开始转向机器学习提供的新工具，以帮助节省时间和金钱。在过去的几年里，核物理已经看到一系列机器学习项目上线，并发表了许多关于该主题的论文。现在，来自11个机构的18位作者在最近发表在《现代物理学评论》上的一篇论文“核物理中的机器学习”中总结了这种人工智能辅助工作的爆炸式增长。

“记录已完成的工作很重要。我们确实希望提高在核物理学中使用机器学习的知名度，以帮助人们了解活动的广度，”该论文的第一作者AmberBoehnlein说以及美国能源部托马斯杰斐逊国家加速器设施的计算科学和技术副主任。

由于该论文收集和总结了迄今为止该领域的主要工作，Boehnlein希望它可以作为感兴趣的读者的教育资源，以及未来努力的路线图。

“它提供了一个基准，人们可以在进入下一阶段时使用，”她说。

机器学习革命

Boehnlein和她的两位合著者WitoldNazarewicz和MichelleKuchera于2020年3月参加了在JeffersonLab举办的探索人工智能的研讨会并发表了后续报告，他们受到启发，希望更进一步。他们与代表核物理所有子领域的15位同事一起，决定对核物理中机器学习项目的状态进行调查。

他们从一开始就开始了。正如作者所描述的那样，在1992年，第一个在核物理中使用机器学习的重要工作使用计算机实验来研究核特性，例如原子质量。尽管这项工作暗示了机器学习的潜力，但它在该领域的使用仍然很少超过超过二十年。在过去的几年里，情况发生了变化。

机器学习涉及构建无需明确指令即可执行任务的模型，需要计算机执行特定的操作，包括复杂的计算。随着最近的进步，计算机可以更好地满足这些需求，这使得物理学家能够更容易地将机器学习融入他们的工作中。

“在2019年，这将是一篇不那么有趣的论文，因为没有足够的工作来编目。但现在，由于技术使用的增加，有大量工作需要引用，”Boehnlein说

今天，机器学习涵盖了所有规模和能量范围的研究，从对物质组成部分的调查到对恒星生命周期的调查。它也存在于核物理学的四个子领域：理论、实验、加速器科学和操作以及数据科学。

“我们努力编译一个全面的、集体的资源，以连接我们子领域的努力，这将有望引发核物理学的丰富讨论和创新，”共同作者、物理学和计算机科学副教授Kuchera说。戴维森学院。

机器学习模型可用于帮助设计和执行核物理实验。它们还可用于帮助分析这些实验数据，这些数据通常超过PB。

“我希望机器学习能够嵌入到我们的数据收集和分析中，”库切拉说。

机器学习将加速这些过程，这可能意味着波束时间、计算机使用和其他实验成本所需的时间和金钱更少。

连接理论和实验

然而，到目前为止，机器学习已经在核理论中建立了最牢固的立足点。Nazarewicz是密歇根州立大学稀有同位素束设施的核理论家和首席科学家，他对这个主题特别感兴趣。他说，机器学习可以帮助理论家更快地进行高级计算、改进和简化模型、做出预测，并帮助理论家理解他们预测的不确定性。它还可用于研究研究人员无法进行实验的现象，例如超新星爆炸或中子星。

“中子星对用户不太友好，”Nazarewicz说。

他使用机器学习来研究超重原子核和元素，它们的原子核中有如此多的质子和中子，无法通过实验观察到。

Boehnlein说：“我发现这些结果在理论界是最令人印象深刻的，尤其是与Witold相关的低能量理论界。”“他们似乎真的很喜欢这些技术。”

Boehnlein说，理论家们也开始在杰斐逊实验室接受这些技术来研究质子和中子结构。具体来说，机器学习可以帮助从复杂的理论中提取信息，例如量子色动力学，该理论描述了构成质子和中子的夸克和胶子之间的相互作用。

作者预测，机器学习对理论和实验的参与将独立地加速这些子领域，并且还将它们更好地互连以加速科学过程的整个循环。

Nazarewicz说：“核物理学帮助我们发现以更好地了解我们宇宙的本质，它也被用于社会应用。”“我们越快完成实验和理论之间的循环，我们就会越快获得发现和应用。”

随着机器学习在这一领域的不断发展，作者希望看到更多的发展和更广泛的应用结合这个工具。

“我认为我们只是处于将机器学习应用于核物理的初级阶段，”Boehnlein说。

而且，在此过程中，本文将作为参考，即使对于它自己的作者也是如此。

“我希望这篇论文被用作了解机器学习研究现状的资源，让我们能够从这些努力中建立起来，”库切拉说。“我的研究集中在机器学习方法上，所以我绝对会利用这篇论文作为了解现在跨核物理机器学习状态的窗口。”