機器學習算法可以在幾分鐘內擊敗世界上最困難的視頻游戲，并且比幾代物理學家的共同努力更快地解決復雜的方程式。但是傳統(tǒng)算法仍然很難在繁忙的街道上選擇停車標志。

對象識別繼續(xù)阻礙機器學習的領域，特別是當圖片是多維的和復雜的時，就像在高能物理實驗中粒子檢測器發(fā)生碰撞的那樣。但是，新型的神經網絡正在幫助這些模型提高其模式識別能力，并且該技術可能很快會在粒子物理實驗中實施以優(yōu)化數據分析。

今年夏天，費米實驗室的物理學家在將圖形神經網絡嵌入到實驗系統(tǒng)中的努力方面取得了進步?？茖W家Lindsey Gray更新了軟件，使這些尖端算法可以部署在CERN的大型強子對撞機的數據上。這些網絡將首次被集成到粒子物理實驗中，以直接處理檢測器數據-打開水閘以大幅提高效率，這將為當前和未來的檢測器提供更精確的見解。

格雷說：“一周前只是研究的一個對象，如今已成為一種廣泛使用的工具，可以改變我們分析粒子物理實驗數據的能力。”

他的工作最初側重于使用圖神經網絡分析大型強子對撞機CMS實驗的數據，該實驗是對撞機的四個主要粒子物理實驗之一。

程序員開發(fā)了神經網絡以篩選大量數據，以搜索特定的類別或數量，例如在擁擠的街道照片中的停車標志。

正常的數碼照片實質上是由紅色，綠色和藍色正方形像素組成的巨大網格。經過訓練以識別停車標志的樣子后，經典的神經網絡會檢查整個像素塊，以查看是否存在目標。但是，此方法效率不高，因為模型必須處理大量不相關的，混淆的數據。

計算機科學家開發(fā)了新型的神經網絡來改善這一過程，但是算法仍然難以識別圖像中的對象，而不僅僅是二維正方形像素網格。

以分子為例。為了確定化學物質是否有毒，化學家必須在分子內定位某些特征，例如碳環(huán)和羧基。用X射線色譜儀拍攝的化學藥品照片會生成鍵合原子的3D圖像，每次查看時它們看起來都略有不同。

由于數據未存儲在正方形網格中，因此典型的神經網絡很難學會識別有毒化合物。為了解決這個問題，化學家已經開始采用一套新的神經網絡：圖神經網絡或GNN。

與這些典型的神經網絡不同，即使GNN不在二維網格中，它們也能夠分辨出哪些像素相互連接。通過利用數據“節(jié)點”之間的“邊緣”(在這種情況下，原子之間的鍵)，這些機器學習模型可以更有效地識別所需的主題。

Gray的愿景是將這些模型及其增強的目標識別功能簡化用于粒子碰撞的數據處理。

“借助圖譜神經網絡，您可以編寫一種更好的模式識別算法，以用于像粒子加速器數據這樣復雜的事物，因為它能夠查看所有輸入數據之間的關系，從而找到其中最相關的部分。信息，”他說。

Gray的研究重點是將GNN應用于CMS檢測器的高粒度熱量計或HGCal。CMS每秒拍攝數十億張高能碰撞圖像，以尋找新粒子的證據。

量熱儀的一個挑戰(zhàn)是它收集了太多的數據(足夠每秒容納2000萬部iPhone的照片)，由于存儲空間的限制，必須丟棄大部分數據。HGCal的觸發(fā)系統(tǒng)必須在幾分之一秒的時間內決定哪些數據有趣，應該保存。其余的將被刪除。

“如果您有一個神經網絡，您可以對其進行優(yōu)化以在一定時間內運行，那么您可以更可靠地做出這些決策。您不會錯過任何事情，也不會保留您真正不需要的東西”，另一位與Gray合作的Fermilab科學家Kevin Pedro說。

HGCal檢測器同時收集有關粒子相互作用的許多不同信息，這會產生一些非常復雜的圖像。

格雷說：“這些數據的形狀很怪異，它們之間有隨機的間隙，甚至還遠未接近連續(xù)的正方形網格。” “這就是圖表出現的地方，因為它們使您可以跳過所有無意義的內容。”

從理論上講，將訓練GNN分析感興趣的像素之間的聯系，并能夠預測應保存哪些圖像以及可以更高效，準確地刪除哪些圖像。但是，由于此類神經網絡對于粒子物理學是如此新奇，因此尚無法將其直接實現到觸發(fā)硬件中。

圖神經網絡以另一種方式非常適合HGCal：HGCal的模塊是六邊形的，這種幾何形狀雖然與其他類型的神經網絡不兼容，但可以與GNN很好地配合使用。

Fermilab首席信息官Liz Sexton-Kennedy說：“這就是使這個特殊項目取得突破的原因。” “這顯示了Kevin和Lindsey的獨創(chuàng)性：他們與設計量熱儀的同事緊密合作，并且利用他們在軟件中的獨特專業(yè)知識來進一步擴展實驗的功能。”

Gray還設法編寫了代碼，擴展了PyTorch(一種廣泛使用的開源機器學習框架)的功能，以允許在世界各地的設備上遠程運行圖神經網絡模型。

格雷說：“在此之前，建立模型然后部署它是非常笨拙和and回的。” “現在，它已經可以正常工作了，您只需將數據發(fā)送到服務中，它就可以確定如何最好地執(zhí)行數據，然后將輸出發(fā)送回給您。”

Gray和Pedro表示，他們希望LHC的Run 3在2021年恢復運行時，圖神經網絡能夠正常工作。這樣，可以在對撞機的高發(fā)光度升級之前對模型進行訓練和測試，其對撞機的增強的數據收集能力將使GNN成為可能。更有價值。

一旦網絡在一個地方啟動并運行，讓它在實驗室中的其他實驗中工作應該會容易得多。

格雷說：“您仍然可以將我們正在學習的有關HGCal中圖神經網絡的所有相同內容應用于其他實驗中的其他檢測器。” “我們在高能物理中采用機器學習的速度還沒有接近飽和。人們將繼續(xù)尋找越來越多的方法來應用它。”