深度学习在高能核物理中的应用
作者:王凌霄; 庞龙刚; 周凯
更新时间:
深度学习作为一种从海量多维数据中自动提取内部相关性的方法,近年来在图像处理和语义识别领域取得了突破。这种数据驱动的计算方法是在高能核物理研究中逐渐出现的。高能核物理的实验观测主要来自相对论性重离子碰撞,具有小尺度的高能尺度,同时,基于第一性原理的网格量子色动力学(Lattice、QCD)计算也提供了相当数量的可靠数据,如何提取物理信息或优化计算已经成为深度学习应用的焦点。基于此,本文首先介绍了如何利用申晶网络提取高能重离子碰撞中的相结构和关键物理过程信息,然后重点介绍了生成算法与网格计算的结合。最后,介绍了物理驱动的深度学习方法,并讨论了这种新的研究范式可能对该领域产生的深远影响