位于歐洲核子研究中心（CERN）的大型強子對撞機（LHC）是目前世界上最大的粒子加速器，在里面進行的實驗每秒產生大約一百萬吉字節(jié)（GB ，十億字節(jié)）的數(shù)據(jù)。即使經過壓縮，LHC在一小時內積累的數(shù)據(jù)也與社交網(wǎng)站臉書整年收集的數(shù)據(jù)量相當。這么海量的數(shù)據(jù)，給存儲和分析帶來了極大難題。幸運的是，粒子物理學家不必自己處理所有這些數(shù)據(jù)。他們與一種稱為機器學習的人工智能（AI ）攜手合作，來處理這些數(shù)據(jù)。

來自美國能源部斯坦福直線加速器中心（SLAC）和費米國家加速器實驗室的科學家，在8月2 日發(fā)表于《自然》雜志的一篇文章中，總結了機器學習在粒子物理學領域的當前應用和未來前景。

 該論文共同作者、美國威廉瑪麗學院的亞力山大·拉多維奇說：“機器學習算法自己知道如何進行各種分析，這有望為我們節(jié)省無數(shù)小時的設計和分析工作。” 拉多維奇目前正參與費米實驗室的NuMI離軸中微子實驗（NOVA）。

機器學習篩查大數(shù)據(jù)

機器學習已被證明在分析領域非常成功。為了處理像在LHC內進行的那些現(xiàn)代實驗中產生的海量數(shù)據(jù)，研究人員應用所謂的“觸發(fā)器”—— 專用的硬件和軟件，它們能實時決定哪些數(shù)據(jù)可保存下來以供分析，哪些數(shù)據(jù)可以丟棄。

論文作者之一、麻省理工學院的邁克·威廉姆斯說，機器學習算法至少可由做出其中70%的決定。威廉姆斯目前正參與LHCb 實驗，該實驗可幫助科學家揭示為何宇宙中物質的數(shù)量遠遠多于反物質的數(shù)量。

 LHC中巨大的超環(huán)面儀器（ATLAS）與緊湊渺子線圈（CMS ）能發(fā)現(xiàn)希格斯玻色子，每個探測器都有數(shù)百萬個傳感元件，其信號需要放在一起才能獲得有意義的結果。 SLAC的邁克爾· 卡根說道：“這些信號組成了一個復雜的數(shù)據(jù)空間，我們需要了解它們之間的關系，得出結論，例如，探測器中某個粒子的軌跡是由電子、光子還是其他東西產生。 ”

 中微子實驗也受益于機器學習。NOVA研究了中微子在穿越地球時如何從一種類型轉變?yōu)榱硪环N類型，這些中微子振蕩可能潛在地揭示一種新類型中微子的存在，一些理論認為，這種中微子是暗物質的粒子。 NOVA的探測器正在監(jiān)視中微子撞擊探測器材料時產生的帶電粒子，并且，機器學習算法可以識別它們。