用机器学习搞出的新发现，要改写物理教科书了？

原标题：物理学家用AI改写教科书！质子中发现新的夸克，可能性高达99.7%

用机器学习搞出的新发现，要改写物理教科书了？

长久以来，质子内都被认为有3个夸克，具体来说是2个上夸克和1个下夸克。

但根据Nature最新一篇论文，以后恐怕要改了：

5个。

再加上一对粲夸克 （Charm Quark）和反粲夸克。

按照现有理论，已知的夸克共有6种，上、下、顶、底、奇和粲，每一种又有对应的反夸克。

但除了上夸克和下夸克外，后面四种因质量太大所以不稳定，一般认为很快就会衰变。

但是这一次，欧洲核子研究组织（CERN）的科学家却表示：

发现了质子内部长期存在一对粲夸克-反粲夸克的有力证据。

而且这个证据，还是用机器学习方法找到的。

40年难题终于找到靠谱证据

先简单介绍一下粲夸克，它是第4种被发现的夸克，排在上、下和奇之后，符号为c。

它的质量1.27 GeV/c²在6种夸克里排第三，带2/3单位的正电荷，自旋与其他夸克一样都是1/2。

从80年代开始，就有人猜测质子内部可能存在一对正反粲夸克对，但40年来一直找不到靠谱的证据。

直到这一次，NNPDF合作组织 （The NNPDF Collaboration）使用了与以前都不同的方法。

他们没有事先对质子结构做特定假设，而是使用了机器学习——

把由所有6种夸克排列组合出来的假想质子结构全都考虑进去，再与这数十年来各大对撞机超过50万次真实粒子对撞实验数据做比较。

终于发现“质子约0.5%的动量来自正反粲夸克对”的证据，精度达到3个标准差。

也就是说如果质子中不包含一对正反粲夸克，那么只有0.3%的可能性得到这个结果。

从此以后，再画物质结构示意图，大概就要改成这样了。

说起粲夸克研究，在粒子物理学史上还挺一波三折的。

1974年，丁肇中领导的布鲁克海文实验与斯坦福线性加速中心两组人马，各自独立发现了包含一对粲夸克和反粲夸克的J/ψ介子。

这次发现对粒子物理产生重大影响，史称物理学中的“十一月革命”。

两年后，丁肇中与斯坦福的Burton Richter共享了诺贝尔物理学奖。

从这之后，对粲夸克的研究开始多了起来。

到了1980年，欧洲核子研究中心CERN的一项试验暗示质子内部也可能存在一对粲夸克和反粲夸克，称为内在粲夸克 （Intrinstic Charm）。

但这项试验结果吧，不够精确，不足以说明问题。

后来许多不同团队跟进研究，提出不同的质子模型再用实验数据验证，又产生了相互矛盾的结果。

40年来，学术界对研究粲夸克的兴趣是忽高忽低，谁也没能拿出有力证据。

直到这一次，在机器学习新方法帮助下终于取得突破，找到内在粲夸克存在的证据。

有不少物理学家认为，这个结果对之后再做粒子对撞实验都会产生不小的影响……

影响后续的对撞实验

在进行对撞实验时，经常会与质子打交道，而这个对于质子内部结构的研究，很有可能会影响到后续的相关实验。

或许以后在做对撞实验都要修正质子模型时，都要把粲夸克对考虑进去了。

剑桥大学的Harry Cliffe说道：

大型强子对撞机很依赖质子子结构的精确性，因此后续的相关实验可能就得考虑粲夸克对的影响。

就比如说南极洲的IceCube中微子观测站，他们要寻找当宇宙射线击中地球大气层中的粒子时产生的稀有中微子，这其中或许就需要考虑到质子的粲夸克对结构。

但对于这项研究的成果，很多同行表示“符合预期”，毕竟之前已经有过相关的预测。

3个标准差的精度，在粒子物理学上一般可以算是初步证据。

要想正式被认可为一项“发现”，门槛至少是5个标准差。

在后续计划中，研究团队也表示将进行更多的实验把精度提高到5个标准差。

到那时质子内就只有350万分之一的可能性不存在粲夸克了。

这篇Nature论文，作者署名一栏只写了一项，The NNPDF Collaboration。

这是欧洲核子研究中心CERN旗下的一个非盈利组织，由多个国家的大学和研究机构资助。

具体到这次研究，有英国爱丁堡大学的希格斯理论物理中心、意大利米兰大学Tif实验室、荷兰阿姆斯特丹自由大学物理与天文系、以及荷兰国家亚原子物理研究所(NIKHEF)等组织参与。

论文发表后，对于教科书被改写这事，已经有物理老师们讨论起来了。

以后还给学生们教两个上夸克一个下夸克的经典模型么？

教吧，毕竟考试里还得这么写。不过最新结论可以当成拓展和讨论。

而物理系的学生则奔走相告“坏了，以后得重新学了”。

对于AI与物理学家协作搞出突破性成果这个模式，也有不少人产生兴趣。

实际上，数据驱动的AI for Science，正是被誉为科学研究的下一个范式。

具体到粒子物理领域，则更是如此。

大型粒子对撞机反复实验产生海量数据，而AI最擅长的正是从海量数据中发现新的规律。

负责这篇论文评审的高能物理学家、斯隆奖得主Christine Aidala也评价道：

机器学习的应用对这项研究非常关键，它可以生成物理学家自己不一定能想到的假设，减少数据分析中的偏差。