原文链接：https://mp.weixin.qq.com/s/Y0_zHuobor7rcRaj5oIMrA

在2026年的人工智能国际大会（AAAI）上，邀请了物理学家Daniel Whiteson做了主题演讲。这里给大家献上本次演讲的全文实录。

先介绍一下午演讲者：

 

丹尼尔・怀特森（Daniel Whiteson）。1975 年 6 月 17 日出生。是美国实验粒子物理学家，同时担任加州大学欧文分校（UCI）物理学与天文学教授。

他于 1997 年在莱斯大学取得物理学与计算机科学学士学位，2003 年在加州大学伯克利分校获物理学博士学位。2007 年，怀特森加入欧洲核子研究中心大型强子对撞机的 ATLAS 实验项目，也是美国物理学会会士。

怀特森还是美国公共广播电视公司儿童频道的科普动画《埃莉诺想知道为什么》的联合创作者，同时与生物学家凯利・韦纳史密斯共同主持播客节目《丹尼尔与凯利的奇妙宇宙》。

演讲主题《基础物理与机器学习的关联》

演讲正文：

感谢大家来参加这场分享。今天我要和大家探讨的是机器学习与基础物理学。年少时选择理科方向，让我对基础物理学心生向往的原因，是它始终在探讨终极大问题。

物理学最吸引我的地方在于，它有一系列终极问题，比如宇宙万物由何构成？宇宙的起源是什么？这些是科学问题，是有答案可循、我们能够逐步探索清楚的问题。终有一天，人类会找到这些问题的答案，不必再在宿舍的深夜里凭空揣测。我毕生的研究都围绕着这一个核心：宇宙的本质是什么？

这是一个最基础的问题。我想知道，人类由何构成？宇宙这套复杂的系统如何运转？世间万物如何相互联结，才造就了我们身处的这个瑰丽又神奇的宇宙？我认为，这不仅是一个基础的科学问题，更是一个古老的问题—— 从人类开始思考的那一刻起，就从未停止过对它的追问。哪怕你只有两块石头，把它们相撞，你也会忍不住思考：会撞出更小的石头吗？它们会变成其他东西吗？宇宙中存在最微小的 “石头” 吗？对于宇宙中保有好奇心的人来说，这些都是最本能的问题，人类也因此追问了千百年。

面对这样一个宏大的问题，你该如何寻找答案？你或许会从最简单的事做起：先把宇宙中能看到的所有事物列一个清单，做一个分类目录。如果你是一位原始人科学家，你的清单可能会从这些开始：我存在于宇宙中，你也在，这里有一块石头，那里还有一块石头。但随着清单的不断完善，你会发现宇宙中有各种各样的石头，清单的篇幅会变得无比漫长，直到你罗列完宇宙中所有已知的石头种类。

但这一研究策略的问题也随之显现：我们要找的，从来都不是一份宇宙万物的“目录清单”。“宇宙由何构成” 的答案，绝不会是把所有事物简单罗列 —— 这毫无意义。如果你去问神谕、上帝、高级外星文明，或是人工智能这个问题，它却只告诉你宇宙里有什么，你绝不会觉得这是你想要的答案。相反，粒子物理学（particle physics）的核心目标，是通过还原论解释宇宙万物 —— 即证明宇宙的一切复杂事物，其实都是由一小部分基础粒子构成的，这些基础粒子的不同组合，造就了世间的所有复杂形态。

而最令人惊叹的是，人类真的做到了：我、石头、你今天的早餐，古往今来人类吃过、触碰过的一切事物，全都是由少数几种基础粒子构成的。这太不可思议了！宇宙的运行逻辑，竟是让复杂的形态源于微小粒子的不同排列。我们都知道，元素周期表中有近百种基础元素，但这并非终点。面对这百余种元素，我们不会只做简单罗列—— 罗列从来不是答案。我们会对其进行整理、分类，寻找其中的规律，这才有了元素周期表。而如今我们知道，元素周期表中的所有规律，同样源于更微小粒子的排列组合。元素周期表看似复杂，但其背后的逻辑却极为简单：仅靠三种粒子，就能构成一切。顶夸克（up quarks）和底夸克（down quarks）结合形成质子和中子，再加上电子，人类触碰过、吃过、扔向同伴的所有东西，都能由这三种粒子构成。

这一发现，已然揭示了宇宙的一个深层真相：构成一个事物的核心，是粒子的排列方式，而非粒子本身。一公斤岩浆和一公斤小猫的本质区别，只是粒子的排列不同，它们的“原料” 完全一致。如果让粒子物理学家写一本 “宇宙食谱”，那么每一道 “菜品” 的原料都完全相同，配比也基本一致。物理学早已告诉我们这个宇宙的基本法则：排列决定一切，而非基质本身。

但这并非问题的全部答案，宇宙中还存在更多未知的粒子。通过对撞机让粒子高速相撞，我们发现了顶夸克的“伙伴”—— 顶夸克和粲夸克，也发现了底夸克的“伙伴”—— 底夸克和奇夸克，电子也有两个相伴的轻子。如今，我们有了一张新的 “周期表”—— 这张表代表着人类当前的知识前沿，是基础粒子周期表。我们能从这张表中看到清晰的规律和极具吸引力的结构，这意味着，如果这些规律成立，那么这些基础粒子，或许还是由更微小、更基础的粒子排列构成的。但这一点，我们目前尚无法证实。

这就是人类当前的知识前沿：我们对这些基础粒子的诸多基本问题，仍一无所知。比如，为什么宇宙中会存在这些“额外的粒子”？顶夸克和底夸克能在恒星内部形成铁元素，造就世间万物，那我们为何还需要粲夸克和顶夸克？为什么会有三种中微子？宇宙中为何存在这么多粒子？为何有些粒子质量极大，有些却轻到几乎可以忽略？它们为何会带有+ 2/3 这样怪异的电荷？人类从未听说过这样的电荷数值，这背后的原因是什么？我们对基础粒子的认知，还有太多空白。而这，甚至还不是物理学最大的未解之谜。

我们耗费数百年研究、已然理解的这一切，仅仅是宇宙的冰山一角：宇宙中只有5% 的能量密度由原子构成 —— 也就是你、我、生日蛋糕这类常规物质；剩下的 95%，人类几乎一无所知。其中 25% 是暗物质（dark matter），这是我们目前能探测到其存在的未知物质。我们能观测到暗物质在宇宙中的作用：星系在高速旋转，试想一下，如果你把乒乓球放在旋转的旋转木马上，乒乓球会立刻飞出去。星系由恒星构成，也在高速旋转，那为什么恒星不会飞进星际空间？答案是引力—— 引力束缚着星系的结构。但当我们测量恒星的运行速度，并将其与恒星自身产生的引力做对比时，结果却完全不符：恒星的运行速度太快了，仅凭恒星自身的引力，根本无法解释为何星系没有分崩离析，恒星没有四散飞离。为了解释这一现象，我们提出了 “暗物质” 的概念。宇宙中的暗物质，远比常规物质多得多。

人类对物质基本属性的探索，才刚刚开始。我们研究原子、元素、夸克的历史，短则数百年，长则可追溯至古希腊时期。但如今我们才意识到，此前的研究，不过是触及了“冰山的一角”，宇宙的故事，远不止于此。人类的惯性思维，总是从已知推导未知 —— 我们会下意识地认为，暗物质或许和常规物质相似。但这就像摸到大象的尾巴，就认为大象的全身都是由尾巴构成的一样，事实绝非如此。大象的其他部位，是与尾巴完全不同的全新结构。这就是基础物理学当下的处境：我们知道，自己正站在新发现的边缘，这些发现将彻底改写人类对宇宙本质的认知。而我们甚至还没谈到宇宙中占比最大的部分：5% 是原子物质，25% 是暗物质 —— 我们基本确定它是一种物质，却不知其构成和运行原理；剩下的 70%，是宇宙能量的主体，我们称之为暗能量（dark energy）。暗物质和暗能量的关联，目前仅存在于 “名称都带有‘暗’字” 这一点上，二者是完全不同的概念。暗能量是推动宇宙加速膨胀的关键，但目前人类完全不清楚暗能量的本质，也不知道它与暗物质是否存在联系，在座的各位，乃至全球的物理学家，都无法回答这些问题。但我们有足够的时间去探索，而探索的核心策略，就是抓住宇宙中的未解之谜，顺着线索深入研究。

你永远不知道，一个看似不起眼的小实验，或是一个偶然的发现，会彻底颠覆人类对宇宙的认知。回顾历史，光电效应、紫外灾变这些看似微小的实验和理论难题，都彻底改变了人类的科学认知进程。我目前在瑞士日内瓦郊外的大型强子对撞机开展研究，这是欧洲核子研究中心（CERN）的核心设施，也是全球粒子物理学的研究总部。在这里，我们实现了13 太电子伏特（13 TeV）的质子对撞，这是单个质子所能承载的能量的 13 万亿倍，是目前人类能实现的最高能量可控粒子对撞。宇宙中无时无刻不在产生能量远高于此的粒子，但这已是人类当前的技术极限。

大型强子对撞机最令人激动的地方，并非让粒子相撞并观察爆炸，而是我们无法预知这些碰撞会产生什么。而我们也无需提前预知：当两个粒子高速相撞时，它们的能量会相互湮灭，形成一个微小的能量球，这个能量球又会转化为其他未知的粒子。粒子对撞和化学反应完全不同：化学反应中，反应物的原子只是重新排列，生成物的原子都能从反应物中溯源，你能追踪到每一个氧分子从反应开始到结束的轨迹；但粒子对撞中，初始粒子会完全湮灭、消失，宇宙会利用这些湮灭产生的能量，创造出全新的粒子。这一点意义非凡，它意味着你无需提前知道某种粒子的存在，也能发现它。只要让粒子足够频繁地相撞，宇宙就会创造出所有它“能创造” 的粒子。因为这些碰撞遵循量子力学规律：在完全相同的条件下，两次粒子对撞可能产生完全不同的结果，这是一个随机过程，而我们正是在通过对撞，从宇宙的能量密度中采样。这太奇妙了：有时粒子相撞，会产生电子、中微子这类我们已知的粒子；但有时，相撞会产生人类从未见过的全新粒子。

再次强调，你甚至无需预知这种粒子的存在，就能实现发现—— 这正是科学探索的乐趣所在。让我们说得更具体一点：我们通过对撞产生各种粒子，但如何判断自己发现了一种新粒子？你可能会想，用显微镜放大观察就好，但这些基础粒子的尺寸，远小于任何可用于探测的光的波长，因此我们无法用传统的成像方式观察它们。

欧洲核子研究中心，地处阿尔卑斯山脉之间，周围是成片的向日葵田，风景十分优美。这是ATLAS 实验装置（ATLAS experiment），也是我工作的地方，它位于地下约 100 米处，乘坐只有 “0 层” 和 “-1 层” 两个按钮的电梯就能到达。这个装置在粒子对撞点周围，铺设了一层又一层的探测器（detectors），用于捕捉对撞后产生的各类粒子信号。

整个实验装置的唯一目的，就是“拍摄” 粒子对撞的过程。我们永远无法直接看到对撞产生的粒子，只能通过它们在探测器中留下的轨迹（traces）来分析。粒子相撞后，会向各个方向飞散，探测器会捕捉到它们的运动轨迹、测量其能量等参数。我们要做的，就是通过这些 “轨迹图像”，还原这次对撞的全过程：产生的是电子吗？还是某种未知的全新粒子？拥有这些前沿的探测设备固然很棒，但为什么我们需要机器学习来发现这些粒子？机器学习在其中扮演了什么角色？

在过去，我们并不需要机器学习：比如，安德森发现正电子时，仅凭一个实验案例就实现了突破。左侧这张图，就是单个正电子的轨迹，通过它在磁场中的运动方式，就能判断出这是正电子。一张图像、一个粒子、一项诺贝尔奖—— 这曾是粒子物理学家的梦想。老一辈科学家似乎已经把所有 “简单的发现” 都做完了，而如今的科研背景早已不同：过去的发现，就像在森林里找到一只独角兽 —— 或许寻找的过程很难，但一旦找到并带回镇上，所有人都能认出这是独角兽；而如今的科学发现，却变得极为间接。

希格斯玻色子的发现就是典型：我们没有任何一张希格斯玻色子的直接图像，它的发现过程是这样的：让两个质子相撞，质子内部的夸克相互融合，会瞬间产生希格斯玻色子—— 它的存在时间仅有 10 的 - 23 次方秒，随后就会衰变成其他粒子，比如两个底夸克。而我们能在 ATLAS 装置中探测到底夸克的轨迹，却永远无法直接观测到希格斯玻色子。

你可能会想，那只要探测到两个底夸克，就等于发现了希格斯玻色子？但遗憾的是，产生底夸克的方式有很多种—— 底夸克其实是粒子对撞中最常见的产物之一，无需通过希格斯玻色子衰变，仅凭胶子的相互作用，就能产生底夸克。当你探测到两个底夸克时，你根本无法判断，它们是否来自希格斯玻色子的衰变。我们无法通过单次粒子对撞，判断是否产生了希格斯玻色子。这意味着，如今所有的粒子物理发现，都基于统计学分析。希格斯玻色子的发现，就是如此：我无法给大家展示任何一个直接的发现案例，它的存在，只是体现在统计图上的一个微小峰值。这个峰值意味着希格斯玻色子的存在 —— 如果没有这个峰值，就说明希格斯玻色子并不存在。

如今的科学发现，全都是统计学层面的突破。幸运的是，统计学家为我们提供了强大的工具，让这些发现成为可能，其中最核心的是假设检验（hypothesis testing），它基于皮尔逊似然比检验（Pearson likelihood ratio test）。这个方法的逻辑很简单：如果你想确认自己发现了某种粒子，只需计算似然比—— 即 “如果该粒子存在，观测到当前实验数据的概率”，与 “如果该粒子不存在，观测到当前实验数据的概率” 的比值，计算出结果，就能做出判断。看似简单的方法，却是统计学领域的一次巨大飞跃。

尽管这一方法诞生已有百年，我们如今仍在使用，原因在于：分析实验数据的方法有很多种，而似然比是全局最优解 —— 在所有分析方法中，它是最适合粒子发现的。这是一套成熟的统计理论，看似我们万事俱备了。但问题来了：作为粒子物理学家，你们设计实验、搭建装置、开展对撞，为什么连 “希格斯玻色子存在时，观测到当前数据的概率” 都无法直接计算？这正是实验设计的难点所在。粒子物理学的研究过程，充满了难以量化的复杂因素。

我刚才给大家讲的，只是简化后的模型，而实际的粒子对撞过程，要复杂得多：粒子之间会相互作用，它们周围的其他粒子也会发生相互作用，这些粒子撞击探测器时，还会引发粒子簇射，产生数万亿的次级粒子。我们根本无法用解析方法，写出“希格斯玻色子存在时，探测器产生某一响应的概率”—— 这是完全不可能的。如果我们能做到这一点，就根本不需要机器学习了；如果我们能直接表达实验数据的似然性，这项研究就早已完成，我也不会站在这场会议上，粒子物理学领域的任何人，都不会用到人工智能。

但我们做不到，不过我们有另一种方法：虽然无法通过理论直接计算概率，但我们可以进行模拟。我们拥有高保真度的模拟系统（high fidelity simulation），能一步步还原粒子对撞的过程，最终生成一个实验案例的模拟数据。并非只有粒子物理学领域会用到模拟：比如预测飓风路径时，你会先计算可能的轨迹，再根据实际情况调整。其核心逻辑，都是通过大量模拟生成案例，再从这些案例中提取概率密度。比如，你无法直接计算飓风袭击阿拉巴马州的概率，但你可以运行 100 万次模拟，然后告诉你，其中有 1000 次模拟中飓风袭击了该地区 —— 通过模拟，就能实现概率推断。

但问题在于：模拟能产生数据，却难以在高维空间中推断概率密度。在一维空间中，或许1000 个模拟案例就足够了；二维空间中，需要 1000 的平方个；而在 n 维空间中，需要 1000 的 n 次方个。那我们的实验数据，维度是多少？约 1 亿维。有人能拥有足够的计算能力，生成 1000 的 1 亿次方次模拟吗？这个数字，比可观测宇宙中的粒子总数还要大。如此看来，这条路似乎走不通了。

再次强调：如果我们能直接表达实验数据的似然性，或拥有无限的计算资源、无限快的模拟系统，就根本不需要机器学习。但现实是，我们都做不到。那我们实际是怎么做的？我们不会处理完整的原始数据，而是对其进行层层压缩和筛选。原始实验数据的维度约为10 的 7 次方，首先，我们只聚焦于探测器中产生粒子信号的区域，将维度降至 10 的 3 次方；接着，我们对轨迹进行聚类，将属于同一个粒子的轨迹合并为一个特征，维度降至 10 的 2 次方；然后，筛选出我们关注的特征，维度再减半；最终，将所有信息浓缩为一个数值。耗费数十亿美元搭建的装置、极高的对撞能量、极其复杂的实验过程，最终将 1 亿维的原始数据，浓缩成了一个数值。

我们不得不这么做，因为这是我们目前唯一能处理的尺度。我之前给大家看的希格斯玻色子发现的统计图，就是每个对撞案例对应一个数值—— 这是我们能进行模拟和计算的尺度。总结来说，只要满足以下任一条件，我们就无需机器学习：

1. 能直接计算探测器的响应结果；

2. 拥有无限快的模拟系统；

3. 能将所有实验信息完美浓缩为一个数值。

但这三个条件，我们一个都无法满足。在数据压缩的过程中，信息的丢失是必然的。其实，在2012 年深度学习革命到来之前，粒子物理学领域就已经开始使用机器学习了，只是彼时的应用极为基础：我们的数据分析系统，基本只能处理单个特征，如果要加入多个特征，就必须将其融合为一个数值 —— 这就是我们当时使用机器学习的目的。

这是1997 年的一篇论文，首次提出用机器学习，将单次粒子对撞的多个信息特征融合为一个数值。随后，我们对两种假设（粒子存在 / 不存在）进行模拟并绘制直方图，还原概率密度，再与实际实验数据对比，就能得到宇宙给我们的答案。这一方法非常有效，对于我们这些 “老研究者” 来说，我们在机器学习成为热门领域前，就已经开始应用它了。

这是我在2007 年和弟弟合著的论文，距今已有近 20 年 —— 我弟弟当时是牛津大学的人工智能研究员，这也是该领域第一篇融入相关 AI 技术的论文，对我来说意义非凡。但在当时，我们使用的是浅层网络（shallow networks），并非深度训练的网络。当时有一篇经典论文提出：只需一个隐藏层，就能拟合任意函数。但所有人引用这篇论文时，都忽略了一个重要前提：这个隐藏层的神经元数量，可能需要是无限的，才能实现完整的函数表达。我们当时总用这篇论文自我安慰，认为 “一个隐藏层就足够了”，但我们也清楚，这远远不够。从函数空间搜索的角度来说，似然比是最优的分析方法，而浅层网络只能捕捉到函数空间的一小部分，我们所能找到的 “浅层最优解”，与真正的全局最优解相去甚远。

多年来，我们一直清楚这一点：彼时的神经网络还很“笨拙”，将数据输入后，效果往往很差，必须先进行特征工程，才能提升效果。但我们不禁会想：神经网络本应自主捕捉数据中的信息，我们不该在输入数据前手动做特征工程 —— 而不得不做的事实，恰恰说明当时的神经网络还不够智能，无法覆盖整个函数空间，也无法拟合我们所需的高度非线性关系。这种情况，直到 2012 年才被改变。

深度学习（deep learning）的出现，让我们能训练深度神经网络，通过多层网络结构，实现远优于浅层网络的函数表达能力。而神经网络的训练过程，也变得更加灵活高效。显然，这一发现的意义重大，这是里程碑式的突破，令人无比激动。如今，深度学习已渗透到粒子物理学的各个领域：我们用它对实验数据进行分类，也将其应用于其他诸多场景，比如生成模拟数据。

我之前提到的、还原数万亿粒子运动的模拟系统，占据了欧洲核子研究中心绝大部分的计算资源。要知道，该中心的计算预算本就极为庞大，而这类模拟的成本高、速度慢。但现在，我们只需训练一个神经网络，就能生成模拟数据：向网络输入隐空间的随机噪声，它就能将其映射为高度逼真的实验数据。如今，我们能在一瞬间生成模拟数据，而非耗费数千小时的CPU 运算时间。这是生成式人工智能在该领域的一项变革性应用。我们的研究也不止于将数值输入网络：我们还会使用结构化数据，稍后我会详细讲解这一点；我们无需为神经网络提供完美的标注数据，而是采用 弱监督学习的方式，将不同比例的混合样本输入网络，以更精细的方式提取数据信息。

最后，我们也对机器学习在实验优化方面的应用充满期待。机器学习的作用，不仅是在实验建成后，以最高效的方式分析数据，更能优化实验本身的设计。试想一下，新的粒子对撞机和探测器有无数种配置方案，哪种尺寸、哪种结构，最适合实现新粒子的发现？如果能对这些参数进行计算和求导，就能在配置空间中搜索到最优解。因此，自动求导工具如今在未来物理实验装置的设计优化中，发挥着至关重要的作用。我们甚至将机器学习应用于粒子物理理论研究：不仅用它分析粒子对撞的实验数据，还将其用于探索粒子物理理论的高维参数空间。

大家应该听说过超对称理论（supersymmetry），这一理论认为宇宙存在数百个参数，这意味着其参数空间的搜索难度极高 —— 而机器学习，恰恰擅长高维空间的搜索，目前该领域已有大量相关研究。但我还期待着更重大的突破：我希望机器学习不仅能提升我们的数据分析能力，更能让那些我们曾认为完全不可能的发现，成为现实。还记得我之前提到的 “单次事件发现” 吗？安德森发现正电子，就是一次这样的突破的一个案例，一项诺贝尔奖。如今，我们也一直渴望实现这样的发现，但当前实验面临的一大挑战是：对撞频率极高，而我们要寻找的是极为罕见的粒子。

我们的对撞机，每25 纳秒就会发生一次粒子对撞。在过去，我们依靠人工通过计算机观察探测器图像，用人类的大脑去识别粒子的轨迹 —— 但面对如今的数据海啸，这种方式实在太慢了。因此，我们必须转向自动化、数字化的粒子追踪。而粒子追踪，本身就是一个极具挑战性的问题：粒子会在探测器的多层结构中留下轨迹，我们需要做的，是还原这些轨迹，判断哪些轨迹属于同一个粒子。在一次对撞中，探测器中会产生数千个粒子、数万个轨迹，我们的任务，是将这些轨迹分配给对应的粒子 —— 这其中的组合复杂度是极高的。数万个轨迹，有多少种分配方式？用暴力枚举法完全不可能实现。

因此，人们不得不简化问题，做出一些假设：首先，假设粒子都产生于对撞点—— 因为绝大多数粒子确实在对撞点产生，这是一个合理的假设；其次，假设粒子遵循特定的运动轨迹—— 根据电动力学，带有电荷的粒子在磁场中，会以螺旋线（helix）的轨迹运动，这也是一个合理的假设。这些假设简化了研究难度，但同时也限制了我们发现违反这些假设的新粒子的能力。在过去 10 年，粒子物理学领域已经意识到了这一点：粒子并非只能在对撞点产生，比如，某些质量极大的粒子可能会先运动一段距离，再发生衰变，产生大量次级粒子。

我们必须以开放的心态，去寻找这类粒子—— 如今，研究者们正致力于长寿命粒子（long lived particles）和衰变粒子（decayed particles）的研究，这些都是极具价值的项目。但我更关注另一个假设：粒子必须以螺旋线运动。这一假设，已深度融入我们当前的粒子追踪算法，比如卡尔曼滤波器（Kalman filter）的应用：我们先假设粒子的运动轨迹形式，找到几个候选的粒子信号点，将轨迹拟合到这些点上，再通过拟合的轨迹，向前 / 向后搜索其他信号点。这一方法非常高效 —— 如果你知道粒子的大致运动方向，就无需在探测器的其他区域盲目搜索信号点，能将搜索范围大幅缩小。

但这也意味着，我们提前假设了粒子的运动方向和轨迹，假设它一定以螺旋线运动。如果粒子的运动轨迹并非螺旋线呢？我希望能找到那些非螺旋线运动的粒子—— 我们的实验数据中，可能正隐藏着这种极具突破性的新粒子，它们的运动轨迹与我们的预期完全不同，一旦发现，就是全新的重大突破。这正是我们所有粒子物理学家渴望的发现，但当前的算法，根本无法识别这类粒子。它们可能就藏在我们的实验数据中，而我们在处理数据时，却因为不知道如何寻找，直接将其判定为 “无有效信号” 并丢弃。

那我们该如何实现这类发现？这正是我目前最热衷的研究方向—— 我投身基础物理学，并非为了做出微小的、渐进式的发现，我的梦想，是找到一种新粒子，当我把发现告诉理论物理学家时，他们会惊呼：这不可能！这种粒子根本不可能存在，我们早已证明它不存在！只有这样的发现，才能彻底颠覆人类对宇宙的认知，引发物理学的革命。机器学习能帮我们解决这个问题吗？能帮我们找到那些运动轨迹怪异的粒子吗？答案是可以。

基于图神经网络（GNN）的粒子追踪技术，就能实现这一目标 —— 而这项技术的发明，最初却是为了一个完全不同的目的。在大型强子对撞机的后续运行中，粒子对撞的过程会变得更加复杂、更密集，为了应对这种高强度的实验环境，研究者开发了这套基于图神经网络的粒子追踪系统，其效果极为出色。而我发现，这套系统做了一个至关重要的设计：将 “轨迹寻找（判断哪些信号点属于同一个粒子）” 和 “轨迹拟合（将轨迹拟合为某种特定的函数形式）” 分离开来。在整个过程中，它从未假设粒子的轨迹是螺旋线—— 它只是通过大量螺旋线轨迹的样本，训练网络自主学习识别螺旋线。这是一种非常巧妙的策略，我不展开赘述细节，其核心逻辑是：网络学习将物理空间中的信号点，映射到隐空间；在隐空间中，属于同一个粒子的信号点会彼此靠近，不属于同一个粒子的信号点则相距甚远，从而让粒子追踪的难度大幅降低。

再次强调，这套系统从未隐含“粒子轨迹为螺旋线” 的假设。那么，机器学习能否让粒子追踪实现泛化，找到那些非螺旋线运动的全新粒子？答案是肯定的，这类粒子的存在，并不违反物理定律。粒子在电磁场中以螺旋线运动，是因为它们带有电磁荷，但宇宙中还可能存在其他类型的电荷：比如带有磁单极荷的粒子，其运动轨迹就并非螺旋线；还有一种理论上的夸克球粒子（cotton quarks），科学家假设这类粒子之间存在一种全新的 “暗力”，当它们在探测器中产生时，会发生振荡，留下如幻灯片中所示的奇特轨迹。这是模拟的轨迹图像，但如果我们在实际的粒子对撞中发现了这类轨迹，那当天就能拿到前往斯德哥尔摩（诺贝尔奖颁奖地）的机票。这是能直接斩获诺贝尔奖的单次事件发现。

我们开展了一个研究项目，用这套基于机器学习的粒子追踪系统，不再以标准模型的螺旋线轨迹为训练样本，而是以这类怪异的非螺旋线轨迹为样本，训练后，它能识别出这类轨迹吗？答案是可以。大家看到的这些，都是模拟数据—— 我并非在宣布发现了新粒子，但实验证明，这套基于机器学习的追踪系统，确实能找到非螺旋线运动的全新粒子。这一发现极具启发性，我们去年已就此发表了论文。但我们的真正目标，并非寻找夸克球 —— 因为针对夸克球，人们总能开发出专用的追踪系统。我们的目标，是找到那些全新的、怪异的、完全超出我们预期的粒子，而非加州某个聪明的理论物理学家预测的粒子。因此，我们提出了一个新问题：能否让系统识别出任意形式的平滑轨迹？即所有在空间中运动、轨迹连续且导数也连续的粒子。从数学角度，我们可以在傅里叶空间（fourier space）中描述这类轨迹：通过限制高频模式的振幅，就能得到平滑的轨迹，这一方法被称为最短函数法（shortest function）—— 这并非我的研究生或我提出的方法，是已有理论。我们利用这一方法，生成了大量并非源于任何特定粒子理论的怪异轨迹，这些轨迹只是粒子在空间中的随机平滑运动；随后，我们模拟了这些轨迹在 ATLAS 装置中的信号，再用基于机器学习的粒子追踪系统进行训练，让它识别这类轨迹。

大家可以看到，系统成功实现了识别：绿色的圆圈是系统找到的信号点。尽管它并非完美—— 无法识别出粒子的完整轨迹，但识别出的部分，已足够让我们实现发现。如果我在真实的粒子对撞中看到这样的轨迹，我会立刻给瑞典皇家科学院打电话，订上去斯德哥尔摩的机票。

以上就是我今天的科研分享部分：基于机器学习的粒子追踪技术，已是一项极具威力的工具，深度学习彻底革新了物理学。它渗透到了粒子物理学的所有研究环节，其威力不仅在于优化我们的发现过程，更在于让全新类型的发现成为可能。