机器学习已经在核物理学领域占据了一席之地 - IT思维

公众号/  ScienceAI（ID：Philosophyai）

编辑 | 萝卜皮

机器学习方法的进步提供了在科学研究中具有广泛适用性的工具。这些技术正在应用于核物理研究主题的多样性，从而带来促进科学发现和社会应用的进步。

现在，来自11个机构的18位作者组织了一次研讨会，从「Machine Learning in Nuclear Physics」中总结了人工智能辅助工作的爆炸式发展，该综述以「Colloquium: Machine learning in nuclear physics」为题，于 2022 年 9 月 8 日发布在《Reviews of Modern Physics》。

本次学术讨论会是对机器学习（ML）在核科学中应用工作的最新总结，涵盖核理论、实验方法、加速器技术和核数据等主题。Bedaque 团队概述了人工智能（AI） 技术在核物理中的使用，旨在识别共性和需求。

核物理是一个成熟的领域，一个多世纪以来的基本发现涵盖了巨大的自由度、能量尺度和长度尺度，从对物质基本成分的基本理解到恒星的结构和宇宙中元素的合成。实验产生的数据量在复杂性和异质性方面不一，因此对其设计、执行和统计数据分析提出了巨大挑战。

图示：本次讨论会中讨论的主题之间的关系示意图。（来源：论文）

在大多数感兴趣的物理案例中，核特性的理论建模受到量子力学计算中大量自由度的限制。实验数据的分析和核系统的理论建模与所有物理领域的情况一样，旨在揭示运动的基本定律，以便进行预测和估计，以及发现强相互作用物质的相关性和因果关系 。

核物理学作为一个领域的广泛目标对应于高度分散的科学事业。实验工作利用世界各地的许多实验室，每个实验室都有独特的操作、数据采集和分析方法。同样，理论核物理中的关注范围导致对算法方法和不确定性量化的广泛需求。这些努力利用跨大小和能量尺度的数据类型数组，为 ML 方法的应用创造了理想的环境。

大范围核物理的机器学习

统计学、数据科学和机器学习构成了现代科学的重要研究领域。它们描述了如何从数据中学习和做出预测，并能够基于大型数据集提取有关物理过程和基本科学规律的关键信息。因此，机器学习能力的最新进展正被用于推进物理科学的科学发现。

核理论

论文概述了应用于核理论的机器学习方法和方法的最新进展和未来研究方向。在过去的几年里，ML 方法基本上被应用于核理论中所有感兴趣的长度和能量尺度，从强力理论到中子星的状态方程。该团队从低能核理论开始讨论，再到中等能量，再到高能核理论和晶格量子色动力学。

图示：能量密度泛函的贝叶斯校准。（来源：论文）

实验方法方面

该团队还概述了应用于核物理实验的机器学习方法和方法的最新进展和未来研究方向。在过去的几年中，机器学习方法已应用于整个实验链，包括实验设计、数据采集、将探测器信息转换为可观测数据的处理链以及物理分析。

图示：质子康普顿散射实验的 BED。（来源：论文）
加速器科学与操作

用于加速器的现代 ML 技术的研究相对较新，但它是数据科学家、计算机科学家、控制专家和加速器物理学家之间非常活跃的交叉工作。通过为异常检测和预测提供数据驱动的数字模型/孪生模型、设计优化工具和实时操作控制/调整，机器学习应用程序有望在加速器设施中发挥重要作用。之前已经努力为加速器记录 ML 中的机会和高级控制。该团队从 a 加速器模型的基于 ML 的代理模型；b 异常检测和分类；c 控制优化；d 非平稳系统的自适应机器学习等方面概述了新进展。

核数据

「核数据管道」表示为最终用户应用程序编译、评估、处理和验证数据的互连步骤。评估是管道中劳动强度最大的步骤，通过将新测量值、以前的测量值和核模型预测结合在一起，提供推荐的「最佳」数据值。在某些情况下，数据可能需要几年时间才能完全通过管道，受人力限制，在某些情况下，还受到过时方法的限制。机器学习有可能显著改进管道的每个步骤（编译、评估、处理、验证、传播），这可能会显著减少从数据测量到纳入标准化数据库（如 the Evaluated Nuclear Data File，ENDF）的时间滞后，这对基础和应用研究至关重要。机器学习还可以促进替代模型或仿真器的创建，这些模型或仿真器可以改进从数据测量中提取物理信息，以及提高评估模型的可预测性。

该内容文章通过 A 检修核数据管道；B 改进汇编和评估；C 构建模拟器和代理模型，三个部分进行了讨论。

总结和展望

近年来，机器学习技术在科学发现中获得了相当大的关注。特别是，所谓的快速 ML 的应用和技术，即应用于实时实验数据处理的高性能 ML 方法，对于增强许多不同学科的科学发现具有很大的前景。这些发展涵盖了快速发展的广泛领域，从机器学习技术的发展到计算机和硬件架构。

对于像核物理这样的领域，它涵盖了巨大范围的能量和长度尺度，从物质的最小成分到中子星等致密天文物体的物理，人工智能和机器学习技术为新发现和更深入的见解提供了可能性。

这次研讨会总结了机器学习技术在实验和理论核物理研究中的当前和计划应用。广泛的规模也反映在全球新的和计划中的核物理设施中，在这些设施中，结合机器学习方法的机会预计将在实验的论证和设计以及操作过程中发挥重要作用。

在该团队的概述中，介绍了一些最近的实验发展，包括探测器控制、实验设计模拟和加速器操作。此外，ML 技术在理论核物理中发挥着核心作用，并且在核数据评估中的作用越来越大。尤其是核理论，在过去几年中，ML 方法的应用出现了爆炸式增长。

然而，值得注意的是，本次学术讨论会仅展示了迄今为止核物理学中 ML 的一个快照。新的机器学习方法正在以难以跟上的速度不断引入。因此，研究人员预计，在接下来的几十年里，机器学习将在利用计算科学和数据科学前沿的技术方面发挥重要作用。由于范围广泛，核物理是一个研究问题的维度迅速超过传统计算方法能力的领域。机器学习技术为降维提供了有希望的途径。

传统上，许多标准 ML 方法专注于在数据集中进行预测和查找相关性。但是，如本概述中所述，量化误差和查找因果关系还需要能够确定概率分布模型的可能性。实验和理论都有明确的迹象表明，统计学习方法为未来的研究方向提供了新的视角。对有监督和无监督学习的统计学习技术的研究，结合快速 ML 方法和类似的发展，有可能改变核物理的格局。

论文链接：

https://arxiv.org/pdf/2112.02309.pdf

https://journals.aps.org/rmp/abstract/10.1103/RevModPhys.94.031003

相关报道：https://phys.org/news/2022-10-machine-nuclear-physics.html