自2009年成立以来，大型强子对撞机（LHC）一直是科学探索的先锋工具，旨在揭示超越标准模型边界的粒子和现象。然而，寻找新物理的传统方法涉及复杂的计算机模拟，将观测到的碰撞数据与标准模型和其他理论模型的预测相匹配。这些方法受到预定义模型和模拟的限制，可能忽视不符合这些模型的意外现象。为了解决这个限制，研究人员转向无监督机器学习，以检测碰撞数据中可能表示新物理现象的异常。
目前，寻找新物理涉及模拟，模拟已知粒子的行为，根据已建立的模型。将准确的碰撞数据与这些模拟进行比较，有助于识别可能暗示新现象的偏差。另一种方法是寻找标准模型背景的微小变化，这表明存在新的过程。然而，这些方法受到所测试模型固有假设的限制。
ATLAS的一项新研究提出了一种用于分析LHC碰撞数据的新框架。这个框架利用无监督机器学习技术，特别是一种复杂的神经网络，称为自编码器。与现有方法不同，这种方法不受模型和预设期望的限制。
引入的框架涉及对实际LHC碰撞数据进行复杂神经网络的训练。这个由许多相互连接的“神经元”组成的网络被称为自编码器。训练过程涉及压缩输入数据，然后在比较初始输入和输出时进行解压缩。通过这种比较，自编码器可以识别“典型”的碰撞事件并将其滤除，留下偏离正常的事件-称为“异常”。异常表示神经网络在识别模式时遇到困难，暗示着可能存在新的物理现象。为了评估这些异常，研究人员分析碰撞中粒子的不变质量，并评估它们是否可以归因于标准模型过程。
通过识别和表征异常事件，可以衡量这种方法的成功。自编码器检测到的异常事件被仔细检查，以确定它们与新的物理现象的潜在联系。输入和输出数据之间的重建差异越大，事件与标准模型之外的新物理相关的可能性越大。
总之，尽管传统的LHC寻找新物理的方法有效，但受到对预定义模型和模拟的依赖的限制。研究人员提出的新方法通过自编码器引入了无监督机器学习，实现了对碰撞数据的无模型分析。这个框架有潜力揭示逃脱传统方法的意外现象。通过关注自编码器检测到的异常，科学家可以揭示超出我们对宇宙当前理解的粒子和相互作用的奥秘。