Эта историческая фотография из камеры Вильсона запечатлела спиральные следы заряженных частиц — один из первых визуальных методов изучения субатомного мира.
В 1930 году молодой физик Карл Д. Андерсон по заданию наставника измерял энергии космических лучей — частиц, прилетающих из космоса на огромной скорости. Он сконструировал улучшенную камеру Вильсона, которая визуально фиксировала траектории частиц. В 1932 году Андерсон заметил следы, сочетавшие свойства протонов и электронов. "Ситуация начала развиваться с неловкими аспектами", — вспоминал он позже, уже после получения Нобелевской премии в 31 год. Так Андерсон случайно открыл антиматерию.
Через четыре года он соавторствовал открытие еще одной элементарной частицы — мюона. Один из физиков тогда воскликнул: "Кто это заказал?"
С тех пор физики-частицы создали все более совершенные приборы для исследований. На вершине этих машин стоит Большой адронный коллайдер, который в 2022 году начал третий этап работы. Этот подземный кольцевой ускоритель длиной 27 километров проходит по границе Франции и Швейцарии. Он разгоняет субатомные частицы почти до скорости света, сталкивает их и проверяет глубокие теории мироздания. Ученые со всего мира обращаются к данным LHC в надежде на что-то новое. Они не знают, что именно, но надеются это обнаружить.
Это продолжение давней традиции. В истории науки новые инструменты всегда побуждали к поиску неожиданного. Галилео Галилей построил телескопы и увидел спутники Юпитера. Антони ван Левенгук создал микроскопы и заметил "животных, очень мило двигающихся". Сегодня люди смотрят через линзы и анализируют данные в поисках непредсказанных закономерностей. Секреты природы не всегда раскрываются заранее, поэтому мы заглядываем в неизвестность, готовые ко всему.
Однако фундаментальные открытия даются все тяжелее. Мы уже собрали самые доступные плоды. Базовые строительные блоки вещества известны довольно точно. Стандартная модель физики частиц, описывающая известные элементарные частицы, существует с 1970-х. Природа еще может удивить, но для этого нужны более крупные или точные приборы, объемные данные и мощные инструменты анализа.
Такие инструменты включают машинное обучение — вид искусственного интеллекта. Ученые обучают сложные статистические модели распознавать тонкие паттерны в данных, невидимые для человеческого глаза или слишком редкие для одного исследователя. На LHC протоны сталкивают, создавая всплески энергии, распадающиеся на короткоживущие частицы. Теоретик может предсказать новую частицу или взаимодействие и описать ее сигнатуру в данных LHC, часто с помощью симуляций для синтетических данных. Экспериментаторы собирают петабайты измерений и запускают алгоритм машинного обучения, сравнивающий их с симуляциями в поисках совпадений. Обычно безрезультатно. Но свежие алгоритмы могут заглянуть в неизведанные области.
"Вы наверняка слышали о кризисе в физике частиц", — говорит теоретический физик из Гейдельбергского университета Тильман Плехн. На LHC и других установках высоких энергий эксперименты не дают подсказок о новой физике. "Много разочарованных теоретиков, чьи модели не подтвердились", — добавляет он.
Новый путь для физики частиц
Грегр Касиечка, физик из Гамбургского университета, вспоминает энтузиазм 2008 года, когда LHC запустился. Тогда он был аспирантом и ждал сигналов суперсимметрии — теории с тяжелыми копиями известных частиц. Ожидалось, что LHC сразу покажет ее. Прошло 18 лет, а суперсимметрия осталась теорией. "Этот чрезмерный оптимизм угас".
В итоге многие модели пали под натиском данных. "Мы идем другим путем", — считает Плехн.
Этот путь — неконтролируемое обучение, вид машинного обучения. Здесь ИИ не учат искать конкретный сигнал — частицу с заданной массой и зарядом. Вместо этого модель ищет любые отклонения, любые интересные аномалии, которые могут указывать на новую физику. Это как смотреть на звездное небо или каплю прудовой воды свежим взглядом. Главная сложность — как автоматизировать поиск "интересного"?
За пределами Стандартной модели
Стандартная модель не отвечает на множество вопросов. Почему частицы вещества имеют именно такие массы? Почему у нейтрино есть масса? Где переносчик гравитации, аналогичный для других сил? Почему вещества больше антиматерии? Есть ли дополнительные измерения? Что такое темная материя — невидимая субстанция, составляющая большинство материи во Вселенной и проявляющаяся через гравитацию на галактики? Ответ на любой из этих вопросов откроет новую физику.
"Я жду моделей порталов в темные сектора", — говорит Касиечка, словно из сценария Marvel. Представьте зеркальную копию Стандартной модели, связанную с нашей одной "портальной" частицей. Как будто у этой частицы есть тайная вторая семья.
В третьем запуске LHC усилия делят поровну: точные измерения известного и поиск неизвестного. Точные данные могут выявить несоответствия. Стандартная модель предсказывает свойства частиц, например магнитный момент электрона с точностью до одной части на триллион. Несовпадения подскажут теоретикам новые частицы.
Стандартная модель иногда дает сбои. Частицы с нижними кварками распадаются в неожиданных соотношениях. Плехн заинтригован: "Год за годом жду, что это уйдет, но нет. Никто не объяснил".
Физики радуются совпадениям, но в глубине души надеются на аномалии. "Сначала слава — Нобель, — говорит Плехн. — Но и интеллектуальный вызов. В науке возбуждает, когда что-то не сходится".
Как неконтролируемый ИИ ищет новую физику
Представьте машину, которая находит все научные сбои и аномалии. Так используют неконтролируемое обучение. За мороженым Плехн с другом из SAP обсудили автоэнкодеры — тип неконтролируемого обучения. "Они в индустрии ловят хаки сетей, — вспоминает Плехн. — Если трафик на компьютер меняется резко, его отключают".
Автоэнкодеры — нейронные сети, сжимающие входные данные (изображение кошки или сетевой трафик) как JPEG или MP3, а потом восстанавливающие. Их учат минимизировать разницу входа и выхода. Редкие случаи (белые тигры или взломы) восстанавливаются хуже — это сигнал аномалии.
"Друг сказал: 'Бери наше ПО. Замени компьютеры на частицы'", — рассказывает Плехн. Они представили подачу сигнатур частиц в автоэнкодер: есть ли необычные? И написали совместный грант.
ИИ не гарантирует новую физику. Определить "интересное" сложно. С 1800-х женщины обрабатывали данные: аннотировали фото звезд, работали "компьютерами". В 1950-х сканировали пузырьковые камеры по правилам, без теории. Как пишет историк науки Питер Галисон в "Image and Logic", это требовало трехмерной визуальной интуиции, не алгоритма.
ИИ осваивает задачи вроде игры в Го, считавшиеся интуитивными. В 2019 году Касиечка запустил LHC Olympics 2020: алгоритмы искали аномалии в симулированных данных LHC. Некоторые нашли, но ошиблись в других. В 2020-м Dark Machines собрали 1000+ моделей — разные метрики дали разные лидеры.
Другой тест — ретроспектива. В 1995-м на Теватроне в Fermilab нашли топ-кварк. Исследователи применили неконтролируемое обучение к данным LHC 2012 года, игнорируя топ-кварк. ИИ выделил кластер аномалий, указывающий на него.
Это показывает: ИИ не заменит физиков. "От аномалии до физической интерпретации? — говорит Касиечка. — Поиск аномалий — как разведка, чтобы заглянуть в нужный угол".
Джорджия Карагиорги из Колумбийского университета соглашается: "Найдя неожиданное, нельзя остановиться. Нужно модель и тест". Кайл Крэнмер из Висконсинского университета, участвовавший в открытии бозона Хиггса в 2012-м, добавляет: "Бесконечно способов, как данные отличаются, но большинство неинтересно". Физики отличают сигнал от шума. "Кодировать это в алгоритм сложно. Нужно исключать немыслимое, не отбрасывая непредставленное".
Галисон в "How Experiments End" отмечает: приборы несут предположения. В 1973-м эксперимент по нейтральным токам пропустил сигнал из-за триггера от старых опытов. Выбор ослепил к новому.
Как ИИ может пропустить или выдумать новую физику
Автоматизируя поиск, отдаем ли науку машинам? Галисон предлагает тестовые данные, как в LHC Olympics. Перед фото Несси проверьте камеру на цвета.
Галисон работает над Event Horizon Telescope, изображая черные дыры. Тестировали на неожиданном, вроде Снеговика. "Риск — упустить ключевой тест".
Алгоритмы уязвимы. Неконтролируемое обучение ловит мошенничества с картами, хаки, предвестники землетрясений, связывание белков, слияния галактик. Но в физике частиц аномалии — не изолированные, а тонкие паттерны в данных. "Не летающие слоны, а чуть больше слонов у водопоя", — пишут Касиечка и коллеги.
Алгоритмы пропускают или видят ложные сигналы. Ошибочное открытие — позор. В хакинг ложный позитив — новый сотрудник, без вреда. В физике — насмешки на всю жизнь. В больших данных паттерны случайны или от неисправностей.
Были ложные тревоги. В 1976-м в Fermilab объявили Upsilon (вероятность 1/50), потом отозвали как Oops-Leon. Сегодня требуют ниже 1 на 3,5 миллиона (пять сигм). В 2011-м OPERA в Италии объявила о сверхсветовых нейтрино — из-за плохого соединения.
Физики осторожны, но видят в ИИ защиту. Неконтролируемое обучение на данных Fermilab и CERN не нашло новой физики, но могло предотвратить OPERA: "Не частица, а странный датчик — перезапусти".
Оборудование для ИИ в физике частиц
Физики частиц испытывают пределы софта и железа. LHC дает 40 миллионов столкновений в секунду, по мегобайту данных каждое. Слишком много для хранения. Два крупнейших детектора фильтруют: Level-1 Trigger (L1T) берет 100 000 событий/с, High-Level Trigger (HLT) — 1000. Только 1 на 40 000 видит человек.
HLT на CPU, как в ПК, анализируют по числу, типу, энергии, импульсу, углам частиц. L1T — на FPGA для скорости. FPGA перепрограммируемы, но просты: правила, а не нейросети.
Екатерина (Катя) Говоркова из MIT вдохновилась Го. Сравнивая измерения LHC с предсказаниями без ML, она увидела документальный про AlphaGo, победивший чемпиона. "AlphaGo применил стратегию, которую люди не думали веками. Нам нужен гений, видящий иначе".
Говоркова с коллегами сжали автоэнкодеры для FPGA: событие за 80 наносекунд (менее 10-миллионной секунды). Обрезали связи, снизили точность. Опубликовали в Nature Machine Intelligence в 2022-м. Теперь используют в третьем запуске LHC. В одном детекторе нашли много аномалий, пропущенных раньше.
Анализируют, почему. Дженнифер Нгадиуба из Fermilab, координатор триггера, отмечает: много джетов частиц. Но нужны энергии, распределения — многомерная задача.
Поделятся данными открыто для новых алгоритмов. Хавьер Дуарте из UC San Diego: "Широко плечам: не знаем, что это. Посмотрите". Высокая энергетика шла сверху вниз, тестируя теории. Теперь снизу вверх — как до Стандартной модели.
Может быть шум детектора или новая частица, подразумевающая новую силу.
FPGA применимы шире. "Данные экстремальны, индустрия не на таком", — говорит Дуарте. Автопилоты терпят миллисекунды, здесь микросекунды. Предел технологий вернется в индустрию.
Плехн тоже ставит нейросети на FPGA с инженерами. "Больше всего говорю с инженером: какой алгоритм влезет на FPGA?".
Железо сложно, говорит Райан Кастнер из UC San Diego. FPGA гибки: настраивают логику, пути данных вручную. "Легко повеситься на веревках".
Новая физика среди нейтрино
Новая физика может всплыть не на ускорителе, а в детекторе нейтрино — загадочных частиц Стандартной модели. Нейтрино крошечные, нейтральные, сверхлегкие (последний лимит — миллионная массы электрона). Самые обильные с массой, но призрачные: триллионы проходят сквозь тело в секунду.
Внимательно слушая, услышим секреты. Джорджия Карагиорги из Колумбии выбрала этот путь. "Физика — как детектив, где создаешь загадки", — говорит она в Nevis Laboratories, 20 км от Манхэттена, где исследования с послевоенных лет.
Карагиорги ждет DUNE: с 2028-го Fermilab шлет нейтрино на 1300 км в Южную Дакоту. Нейтрино осциллируют, меняя тип. Наблюдения нейтрино и антинейтрино объяснят асимметрию материи-антиматерии — почему мы существуем.
"DUNE толкает к реал-тайм ИИ для быстрого поиска редких сигнатур". Взаимодействия в 70 000 тонн жидкого аргона дадут следы как фейерверк.
Даже без пучков DUNE ловит нейтрино от сверхновых: 5 ТБ/с, 10 лет. Нужен неконтролируемый ИИ для неизвестных сигнатур — модели взрывов сверхновых ненадежны. "Алгоритм на любой сбой — победа".
Выбор 0,01% данных — на FPGA. В лаборатории Колумбии настраивают платы: сотни под землей анализируют кадры — шум, фейерверк или нечто среднее.
Нейтринные эксперименты визуальны. Раньше сканировали вручную. Карагиорги учит студентов: "Без визуализации не поймешь. Помогает креативности различать нормальное и нет".
В офисе — скульптуры фейнмановских диаграмм. "Каракули, но предсказывают природу количественно". Обсудили: найдет ли машина Валдо без описания? Или как судья Стюарт: "Узнаю порно, когда вижу". Доверие к машинам — проблема.
По дороге в Манхэттен: "Люди ищут порядок и замечают аномалии. Кто-то одержим, пытается понять".
Стандартная модель красива, предсказательна, но слепит к новому. "Успех — благословение и проклятие".