参与：Jane W、吴攀

Facebook 用来识别人脸的技术也可以用来识别粒子吗？

当你向 Facebook 上传了一张你朋友的照片后，这张照片就进入了一个复杂的幕后处理过程。算法迅速行动并分析照片的每一个像素，直到将朋友的名字和这张照片匹配起来。这类型的前沿技术也被用在了自动驾驶汽车上，使得自动驾驶汽车能够从背景中区分行人和其它车辆。

这项技术也可以用来区分μ介子和电子吗？很多物理学家相信这一点。在该领域的研究人员正着手运用它来分析粒子物理数据。

支持者们希望利用深度学习节省实验时间、金钱和人力，让物理学家们做其它不太繁琐的工作。另一些人希望能提高实验的结果，相比以前使用的任何算法，这个算法能使他们更好地识别粒子和分析数据。尽管物理学家们不认为深度学习是万能的，但一些人认为它可能在应对即将到来的数据处理危机中起到关键作用。

神经网络

直至今日，计算机科学家们仍经常人工编写算法，一个任务往往需要无数个小时的复杂计算机语言工作。「我们仍然做着不错的科学工作，」费米国立加速器实验室的科学家 Gabe Perdue 说，「但是我认为科学工作还可以做得更好。」

而如果要使用深度学习，我们则需要一种不同的人类输入。

一种实现深度学习的方法是使用卷积神经网络（CNN）。CNN 是模拟人类视觉感知建模的。人类用自身的神经元网络处理图像；CNN 通过输入层节点（node）来处理图像。人们通过向网络送入预处理的图像来训练 CNN。通过学习这些输入，算法会不断调整各节点的权重并因此学会识别模式和相关点。由于算法不断修正这些权重，预测结果会变得越来越准确，甚至超越人类。

卷积神经网络以通过将多个权重绑在一起的方式来缩短分解数据处理的步骤，这意味着必须调整的算法元素更少。

CNN 出现于 90 年代末。但是近年来随着许多方面的突破（如处理图形的硬件价格降低、训练数据集不断扩增以及 CNN 架构本身的创新），越来越多的研究人员开始使用它们。

CNN 的发展导致语音识别、翻译以及其它传统上由人类完成的任务的进步。一家 Alphabet（谷歌母公司）旗下位于伦敦的公司 DeepMind 使用 CNN 创建了 AlphaGo，这个计算机程序在 3 月份打败了世界排名第二的围棋选手，围棋是比国际象棋更复杂的策略棋盘游戏。

CNN 使得我们可以更从容地处理大量的基于图像的数据，而之前我们对这些数据束手无策——高能物理学中经常会碰到这种图像数据。

进入物理学领域

随着大数据和具有处理大量信息所必需的计算能力的图形处理单元（GPU）的出现，CNN 在 2006 年开始得到大规模运用。Perdue 说：「从那之后，精确度有了很大的提高，人们也还一直在继续高速地创新。」

大约一年前，各类高能物理实验的研究人员开始考虑将 CNN 引入他们的实验的可能性。「我们把物理问题变成了：『我们能否分辨一辆自行车和汽车？』」SLAC 国家加速器实验室研究员 Michael Kagan 说，「我们只想弄清楚如何以正确的方式重组问题。」

在大多数情况下，CNN 将用于粒子识别和分类以及粒子轨迹重建。一些实验已经使用 CNN 来分析粒子的相互作用，其准确性很高。例如，开奖，NOvA 中微子实验的研究人员已经将 CNN 应用到了其数据上。

「CNN 本来是用于识别动物和人的图片，但它也能很好的用于物理领域的识别，」费米实验室科学家 Alex Himmel 说，「预测结果非常好——相当于我们的检测器多产生了 30％ 的数据。」

从事大型强子对撞机（LHC/Large Hadron Collider）实验的科学家们希望借助深度学习来使他们的实验更自动化，CERN 物理学家 Maurizio Pierini 说：「我们正试图在一些任务上取代人。用人来看管比用计算机看管要昂贵得多。」

在检测器物理学以外，CNN 也被证明是有用的。在天体物理学方面，一些科学家正在开发可以发现新的引力透镜的 CNN；引力透镜是指可以扭曲来自它们后面的遥远星系的光的大型天体（如星系团（galaxy clusters））。对望远镜数据扫描以寻找引力透镜扭曲现象的过程是非常耗时的，并且普通的模式识别程序难以区分它们的特征。