當(dāng)你向Facebook上傳了一張你朋友的照片后，這張照片就進(jìn)入了一個復(fù)雜的幕后處理過程。算法迅速行動并分析照片的每一個像素，直到將朋友的名字和這張照片匹配起來。這類型的前沿技術(shù)也被用在了自動駕駛汽車上，使得自動駕駛汽車能夠從背景中區(qū)分行人和其它車輛。

這項技術(shù)也可以用來區(qū)分μ介子和電子嗎？很多物理學(xué)家相信這一點。在該領(lǐng)域的研究人員正著手運用它來分析粒子物理數(shù)據(jù)。

支持者們希望利用深度學(xué)習(xí)節(jié)省實驗時間、金錢和人力，讓物理學(xué)家們做其它不太繁瑣的工作。另一些人希望能提高實驗的結(jié)果，相比以前使用的任何算法，這個算法能使他們更好地識別粒子和分析數(shù)據(jù)。盡管物理學(xué)家們不認(rèn)為深度學(xué)習(xí)是萬能的，但一些人認(rèn)為它可能在應(yīng)對即將到來的數(shù)據(jù)處理危機(jī)中起到關(guān)鍵作用。

神經(jīng)網(wǎng)絡(luò)

直至今日，計算機(jī)科學(xué)家們?nèi)越?jīng)常人工編寫算法，一個任務(wù)往往需要無數(shù)個小時的復(fù)雜計算機(jī)語言工作。“我們?nèi)匀蛔鲋诲e的科學(xué)工作，”費米國立加速器實驗室的科學(xué)家Gabe Perdue說，“但是我認(rèn)為科學(xué)工作還可以做得更好。”

而如果要使用深度學(xué)習(xí)，我們則需要一種不同的人類輸入。

一種實現(xiàn)深度學(xué)習(xí)的方法是使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）。CNN是模擬人類視覺感知建模的。人類用自身的神經(jīng)元網(wǎng)絡(luò)處理圖像；CNN通過輸入層節(jié)點（node）來處理圖像。人們通過向網(wǎng)絡(luò)送入預(yù)處理的圖像來訓(xùn)練CNN。通過學(xué)習(xí)這些輸入，算法會不斷調(diào)整各節(jié)點的權(quán)重并因此學(xué)會識別模式和相關(guān)點。由于算法不斷修正這些權(quán)重，預(yù)測結(jié)果會變得越來越準(zhǔn)確，甚至超越人類。

卷積神經(jīng)網(wǎng)絡(luò)以通過將多個權(quán)重綁在一起的方式來縮短分解數(shù)據(jù)處理的步驟，這意味著必須調(diào)整的算法元素更少。

CNN出現(xiàn)于90年代末。但是近年來隨著許多方面的突破（如處理圖形的硬件價格降低、訓(xùn)練數(shù)據(jù)集不斷擴(kuò)增以及CNN架構(gòu)本身的創(chuàng)新），越來越多的研究人員開始使用它們。

CNN的發(fā)展導(dǎo)致語音識別、翻譯以及其它傳統(tǒng)上由人類完成的任務(wù)的進(jìn)步。一家Alphabet（谷歌母公司）旗下位于倫敦的公司DeepMind使用CNN創(chuàng)建了AlphaGo，這個計算機(jī)程序在3月份打敗了世界排名第二的圍棋選手，圍棋是比國際象棋更復(fù)雜的策略棋盤游戲。

CNN使得我們可以更從容地處理大量的基于圖像的數(shù)據(jù)，而之前我們對這些數(shù)據(jù)束手無策——高能物理學(xué)中經(jīng)常會碰到這種圖像數(shù)據(jù)。

進(jìn)入物理學(xué)領(lǐng)域

隨著大數(shù)據(jù)和具有處理大量信息所必需的計算能力的圖形處理單元（GPU）的出現(xiàn)，CNN在2006年開始得到大規(guī)模運用。Perdue說：“從那之后，精確度有了很大的提高，人們也還一直在繼續(xù)高速地創(chuàng)新。”

大約一年前，各類高能物理實驗的研究人員開始考慮將CNN引入他們的實驗的可能性。“我們把物理問題變成了：‘我們能否分辨一輛自行車和汽車？’”SLAC國家加速器實驗室研究員Michael Kagan說，“我們只想弄清楚如何以正確的方式重組問題。”

在大多數(shù)情況下，CNN將用于粒子識別和分類以及粒子軌跡重建。一些實驗已經(jīng)使用CNN來分析粒子的相互作用，其準(zhǔn)確性很高。例如，NOvA中微子實驗的研究人員已經(jīng)將CNN應(yīng)用到了其數(shù)據(jù)上。

“CNN 本來是用于識別動物和人的圖片，但它也能很好的用于物理領(lǐng)域的識別，”費米實驗室科學(xué)家Alex Himmel 說，“預(yù)測結(jié)果非常好——相當(dāng)于我們的檢測器多產(chǎn)生了30％ 的數(shù)據(jù)。”

從事大型強(qiáng)子對撞機(jī)（LHC/Large Hadron Collider）實驗的科學(xué)家們希望借助深度學(xué)習(xí)來使他們的實驗更自動化，CERN 物理學(xué)家Maurizio Pierini 說：“我們正試圖在一些任務(wù)上取代人。用人來看管比用計算機(jī)看管要昂貴得多。”

在檢測器物理學(xué)以外，CNN 也被證明是有用的。在天體物理學(xué)方面，一些科學(xué)家正在開發(fā)可以發(fā)現(xiàn)新的引力透鏡的CNN；引力透鏡是指可以扭曲來自它們后面的遙遠(yuǎn)星系的光的大型天體（如星系團(tuán)（galaxy clusters））。對望遠(yuǎn)鏡數(shù)據(jù)掃描以尋找引力透鏡扭曲現(xiàn)象的過程是非常耗時的，并且普通的模式識別程序難以區(qū)分它們的特征。

“公平地說，在使用這些工具時，我們僅僅涉及了很淺的部分，”在費米實驗室的NOvA 實驗項目工作的威廉瑪麗學(xué)院博士后研究員Alex Radovic 說。

未來的數(shù)據(jù)盛宴

一些科學(xué)家認(rèn)為神經(jīng)網(wǎng)絡(luò)可以幫助應(yīng)對他們預(yù)見的即將到來的數(shù)據(jù)處理危機(jī)。

計劃于2025年推出的升級版大型強(qiáng)子對撞機(jī)將產(chǎn)生大約10倍的數(shù)據(jù)。暗能量光譜儀（Dark Energy Spectroscopic Instrument）將收集大約3500萬個宇宙物體的數(shù)據(jù)，大型綜合巡天望遠(yuǎn)鏡（Large SynopTIc Survey Telescope）將捕獲近400億個星系的高分辨率視頻。

數(shù)據(jù)量一定會飛速增長，但從前計算機(jī)芯片處理能力的指數(shù)級增長預(yù)計將會陷入停頓。這意味著處理更大量的數(shù)據(jù)將越來越昂貴。

“對于10倍的碰撞次數(shù)，你可能需要超過100倍的處理能力，”Pierini 說。“用傳統(tǒng)的做事方式，我們會走入死胡同。”

然而，并不是所有的實驗都適用于該技術(shù)。

“我認(rèn)為有時這會是正確的工具，但它不會一直是正確的，”Himmel 說，“數(shù)據(jù)與自然圖像越不相似，神經(jīng)網(wǎng)絡(luò)的有用性越低。”

大多數(shù)物理學(xué)家都同意，CNN 不適合剛剛啟動的實驗中的數(shù)據(jù)分析，因為神經(jīng)網(wǎng)絡(luò)對于計算過程不是很透明。“這會很難說服人們相信他們已經(jīng)發(fā)現(xiàn)了新的東西，”Pierini 說，“我認(rèn)為用紙和筆做事情仍然是有價值的。”

在某些情況下，運用CNN 的挑戰(zhàn)將超過獲益。例如，如果數(shù)據(jù)尚未轉(zhuǎn)換為圖像格式，則需要將其轉(zhuǎn)換為圖像格式。并且神經(jīng)網(wǎng)絡(luò)需要大量的數(shù)據(jù)用于訓(xùn)練——有時不得不模擬數(shù)百萬的圖像。即使這樣，模擬也不如真實數(shù)據(jù)那么好。因此，神經(jīng)網(wǎng)絡(luò)必須用實際數(shù)據(jù)和其它交叉檢查進(jìn)行測試。

“一個高標(biāo)準(zhǔn)的物理學(xué)家能夠接受任何新事物，”德克薩斯大學(xué)阿靈頓分校的物理學(xué)副教授Amir Farbin 說，“需要跨越很多障礙去說服大家這是對的。”

展望未來

對于那些相信CNN 結(jié)果的人，CNN 意味著更快的物理學(xué)和值得期待的未知。

一些人希望用神經(jīng)網(wǎng)絡(luò)來檢測數(shù)據(jù)中的異常，這可以指示檢測器中的缺陷或者為新發(fā)現(xiàn)指引線索。為了尋找新發(fā)現(xiàn)，研究人員可以只是讓 CNN 遍歷數(shù)據(jù)并試圖找到突出點，而不是一定要找到具有特定標(biāo)志的新事物。“不必指定要搜索的新物理的領(lǐng)域，”Pierini 說，“這里獲取數(shù)據(jù)的方式更開放。”

日后，研究人員甚至可能開始采用無監(jiān)督學(xué)習(xí)來處理物理數(shù)據(jù)。無監(jiān)督學(xué)習(xí)，顧名思義，是指可以無需人工指導(dǎo)就訓(xùn)練大量數(shù)據(jù)的算法?？茖W(xué)家可以傳輸給該算法相應(yīng)的數(shù)據(jù)，然后該算法就能從中得出結(jié)論。

“如果你足夠聰明，你可以使用它來做所有類型的事情，”Perdue 說，“如果它能夠推斷新的自然規(guī)律或類似定律，這將是驚人的。”

“但是，”他補(bǔ)充道，“那樣的話，我也要去尋找新的工作了。”