深度学习在高能核物理中的应用
Abstract
深度学习作为一种从海量多维数据中自动提取内在关联的方法, 近年来在图像处理和语义识别等领域取得了突破性的进展. 这种数据驱动的计算方法, 正在高能核物理的研究中逐渐崭露头角. 高能核物理实验观测主要来源于小尺度高能标的相对论重离子碰撞(Heavy-Ion Collisions), 同时基于第一性原理的格点量子色动力学(Lattice QCD)计算也提供了数量可观的可靠数据, 而如何从中提取物理信息或优化计算成为深度学习应用的焦点. 基于此, 本文首先介绍如何利用神经网络在高能重离子碰撞中提取相结构和关键物理过程信息, 然后再聚焦于生成算法与格点 QCD计算的结合. 最后介绍物理驱动的深度学习方法, 并讨论这种新的研究范式可能会对本领域产生的深远影响.
