在寻找新的基本粒子时，物理学家总是不得不推测粒子的行为。 新的机器学习算法不需要这个。
在今年四月大型强子对撞机发生的一次碰撞中，发现了单个带电粒子（橙色线）和大型粒子射流（黄色圆锥体）
大型强子对撞机（LHC）每秒碰撞数十亿对质子。 有时，这台机器设法使现实有些摇摆，并在这些碰撞中创造了前所未有的东西。 但是，从定义上讲，由于此类事件是意外的，物理学家并不知道他们到底需要寻找什么。 他们担心，通过筛查数十亿次此类碰撞的数据并采样一些更可行的量，他们可能会无意间删除某些新物理学的证据。 纽约大学粒子物理专家
凯尔·克莱默 （
Kyle Kranmer）说：“我们总是担心我们会溅水，这是ATLAS LHC实验的一部分。”
面对智能减少数据量的任务，一些物理学家正在尝试使用“深度神经网络”之类的机器学习技术来拖拉熟悉的事件，以寻找新的物理现象。
在使用该技术的典型情况下，深度神经网络通过研究一堆标记为“猫”的照片和另一堆标记为“狗”的照片来学习将猫与狗区分开。 但是，这种方法在寻找新粒子时将行不通，因为物理学家无法将他们从未见过的某些事物提供给机器图像。 因此，当机器从已知粒子开始学习，然后寻找信息不那么详尽的罕见事件时，他们必须“在很少的监督下进行学习”，例如，此类事件通常发生的频率。
五月份在arxiv.org预印本上发表的一篇论文中，三位研究人员提出了一种类似的策略来扩大凹凸搜索，这是一种发现希格斯玻色子的经典粒子搜索技术。 作为这项工作的作者之一，劳伦斯伯克利国家实验室的研究员
本·纳奇曼写道，总体思路是对机器进行训练，以寻找数据集中罕见的变化。
考虑到提到的猫和狗的精神，考虑一个最简单的示例，作为在包含北美森林观测资料的数据集中寻找新动物物种的尝试。 如果我们假设新动物将在某些地理区域中分组（这种想法对应于新粒子在一定质量附近分组的事实），则该算法应该能够通过对相邻区域的系统比较来选择它们。 如果不列颠哥伦比亚省有113只
北美驯鹿，而华盛顿州则有19只北美驯鹿（尽管那里到处都有数百万只松鼠），该程序将无需直接研究就可以将驯鹿与松鼠区分开。 俄勒冈大学的理论粒子物理学专家
蒂姆·科恩 （
Tim Cohen）说：“这不是魔术，而是看起来像魔术。”
对于传统的粒子物理学搜索，与所描述的不同，研究人员必须对新现象的外观进行假设。 他们创建了一个新粒子行为的模型-例如，一个新粒子可能趋向于衰减成一组已知粒子。 并且只有在他们确定要寻找的东西之后，他们才能创建特殊的搜索策略。 一个研究生通常需要一年的时间来完成这项任务，但是纳赫曼认为可以更快，更彻底地完成这项工作。
提出的CWoLa算法意味着“无标签分类”（MSC），它能够在现有数据中搜索任何未知的粒子，这些粒子会分解为两个较轻的相同类型的未知粒子，或者分解为两个相同或不同类型的已知粒子。 使用通常的搜索方法，从事大型强子对撞机的团队可能要花
至少20年的时间才能筛选出与第二种选择同时出现的所有可能性，而对于第一种选择，今天根本没有搜索策略。 从事ATLAS项目的Nachman说，KBM能够一次性完成所有这些搜索。
实验粒子物理学的其他专家也认为，这场比赛可能值得。 物理学家
凯特·帕查尔 （
Kate Pachal）说：“我们已经在不同的可预测位置进行了搜索，因此，对我们来说，另辟way
径 ，填补我们尚未发现的空白非常重要。” 他和他的同事想到了开发可应对各种粒子质量的灵活软件的想法，但是这些软件都不具备机器学习的资格。 她说：“我认为是时候尝试了。”
希望神经网络将能够检测当前模型不可用的基础数据相关性。 其他机器学习技术已经成功提高了大型强子对撞机某些任务的效率，例如
确定下夸克发出
的喷气机 。 在这项工作中，很明显物理学家会错过一些信号。 加州大学欧文分校的粒子物理学专家
丹尼尔·惠特森说：“他们错过了一些信息，如果您为该部门支付了100亿美元，就不会错过任何信息。”
但是，机器学习领域充满了关于程序混合了哑铃（或
更糟 ）的
警示性故事 。 大型强子对撞机的一些人担心，所有这些短路径都将反映机器本身中的小怪兽的工作，因此实验人员非常小心地设法忽略了它们。 “当您发现异常时，尚无法立即得知-这是一种新的物理原理，还是探测器出现了问题？” 从事ATLAS项目的物理学家
Till Eifert说。