Lorentz-Equivariance without Limitations

在高能粒子物理学的世界中，科学家们将质子以接近光速的速度撞击在一起，以重现早期宇宙的条件。由此产生的碎片是新粒子的混乱喷射，被大型探测器记录为时空中的一团点云。为了从这种混沌中理出头绪，研究人员依赖于狭义相对论，该理论指出，无论观察者如何运动或位于何处，基本的物理规则都不会改变。这一被称为洛伦兹不变性（Lorentz invariance）的原理意味着，无论是在静止的实验室中观察，还是从高速飞驰的飞船中观察，粒子的行为看起来都是一样的。然而，当科学家使用人工智能来分析这些粒子碰撞时，他们面临着一个难题：标准的计算机程序并不自然地理解这些运动规则。它们通常将数据视为静态图像，忽略了支配粒子相互作用的深层几何关系。这种局限性迫使研究人员要么构建非常特定且僵化的计算机模型（难以适配），要么使用大量的计算能力来通过试错法让标准模型去“猜”出这些规则。

一个由物理学家和计算机科学家组成的团队开发了一种名为“洛伦兹局部正则化”（Lorentz Local Canonicalization，简称 LLoCa）的新方法，它通过赋予任何神经网络一种内置的相对论理解能力，且不会降低其运行速度，解决了这一问题。该方法并非强迫计算机从零开始学习运动规则，而是教会网络为它看到的每一个粒子创建一个个人的、移动的参考系。想象一下，每个粒子都是一名带着自己地图的旅行者；网络为每个粒子预测这张地图，从而允许计算机将所有复杂的、运动的数据转化为一种简单的、局部的语言，使物理定律易于解读。一旦数据被翻译成这些局部坐标系，网络就可以使用任何标准的、灵活的架构进行处理。在计算完成后，网络再将结果转换回探测器的全局视图。这种方法使计算机能够在尊重宇宙基本对称性的同时，保持快速并适应不同的物理问题。

研究人员在现代粒子物理学核心的三个不同挑战上测试了这个新框架：预测粒子相互作用的强度、生成真实的粒子碰撞模拟，以及在碎片中识别特定类型的粒子。在第一个测试中，他们要求网络预测涉及一个 Z 玻色子和最多四个胶子的特定散射事件的概率。他们发现，通过在标准神经网络中加入这种局部参考系系统，其预测精度显著高于非相对论模型，并且达到了比更复杂、更专门的模型更高的性能。至关重要的是，这种新方法以极低的计算成本实现了高精度，其运行速度比之前针对该任务设计的最先进模型快了四倍。

在第二个应用中，团队使用该方法从头开始生成新的粒子碰撞事件。这是模拟探测器应观察到的现象的一项至关重要的任务，但由于计算机必须学习一个复杂的、多维的可能性图景，这项工作极其困难。研究人员发现，对于这项特定的工作，网络并不需要具备全方向的完美对称性。相反，当它被允许打破某些严格的对称规则以匹配粒子探测器的特定几何结构（探测器沿束流线有一个优选方向）时，表现反而最好。通过让网络学会仅尊重探测器数据中实际存在的对称性，他们取得了最佳结果。这一发现挑战了“计算机模型必须始终保持完美对称才有效”的观点；有时，了解对称性在哪里发生破缺同样重要。

最后且最广泛的测试涉及“喷注标记”（jet tagging），这是一个计算机必须区分由重顶夸克引起的粒子喷注与普通背景噪声之间差异的过程。这是寻找新物理的关键技能，因为顶夸克通常产生于稀有且有趣的事件中。团队将该方法应用于几种已有的、高性能的网络架构，将其升级为相对论性的。他们创建了一个包含 1.35 亿个模拟事件的海量新数据集来训练这些模型，这比以往用于该特定任务的任何数据集都要大。在这个大规模尺度上，升级后的网络表现优于其非相对论对手，并达到了最先进的专门模型的水平。结果表明，虽然该方法在小数据集上表现良好，但其真正的威力在数据量巨大时才会显现，这使得网络能够利用物理定律进行更高效的学习。

该研究的一个关键见解涉及网络如何处理数据的对称性。研究人员发现，对于某些任务（如生成事件），网络只需尊重探测器的剩余对称性即可。然而，对于识别喷注中的粒子，表现最好的方法是采用混合手段：允许网络在其内部计算中使用完整的相对论对称性，但同时也给予它特定的参考点（例如粒子束的方向）作为额外输入。这使得网络可以自行决定何时使用完全对称，何时依赖特定的探测器几何结构。这种灵活性被证明是最有效的策略，使模型能够在不受到可能不适用于每部分数据的僵化规则约束的情况下，实现最高的准确度。

研究还表明，这个新框架并不局限于一种类型的神经网络。研究人员成功地将其应用于图网络（将粒子视为连接的节点）和 Transformer（常用于语言处理的强大模型）。在每种情况下，该方法都充当了一个通用的升级工具，在仅增加极少量可调参数的情况下，将现有网络转变为相对论性的网络。这种升级的计算成本极低，仅增加了约 1% 的参数量，且所需的额外时间微乎其微。这表明，该方法可以被广泛的物理学界轻松采用，以改进现有工具，而无需从头编写整个软件系统。

通过提供一种以极低开销将宇宙基本对称性嵌入机器学习模型的方法，这项工作消除了粒子物理学进步的主要障碍。它允许研究人员使用目前最强大且最灵活的神经网络架构，同时确保它们遵循自然法则。生成更好的模拟、更准确地预测相互作用强度以及更高置信度地识别稀有粒子，这些能力为分析未来粒子对撞机产生的海量数据打开了大门。研究人员已公开了他们的代码和数据集，邀请他人测试并完善这些工具，以确保下一代粒子物理学的发现能够建立在数据与深刻物理理解的双重基础之上。