用機器學習搞出的新發現，要改寫物理教科書了？長久以來，質子內都被認為有3個夸克，具體來說是2個上夸克和1個下夸克。按照現有理論，已知的夸克共有6種，上、下、頂、底、奇和粲，每一種又有對應的反夸克。但除了上夸克和下夸克外，後面四種因質量太大所以不穩定，一般認為很快就會衰變。

但根據Nature最新一篇論文，以後恐怕要改了：

5個。

再加上一對 粲夸克（Charm Quark） 和 反粲夸克。

但是這一次，歐洲核子研究組織（CERN） 的科學家卻表示：

發現了質子內部長期存在一對粲夸克-反粲夸克的有力證據。

而且這個證據，還是用 機器學習方法找到的。

40年難題終於找到靠譜證據

先簡單介紹一下粲夸克，它是第4種被發現的夸克，排在上、下和奇之後，符號為c。

它的質量1.27 GeV/c 2 在6種夸克裡排第三，帶2/3單位的正電荷，自旋與其他夸克一樣都是1/2。

從80年代開始，就有人猜測質子內部可能存在一對正反粲夸克對，但40年來一直找不到靠譜的證據。

直到這一次，NNPDF合作組織（The NNPDF Collaboration） 使用了與以前都不同的方法。

他們沒有事先對質子結構做特定假設，而是使用了機器學習——

把由所有6種夸克排列組合出來的假想質子結構全都考慮進去，再與這數十年來各大對撞機超過50萬次真實粒子對撞實驗數據做比較。

終於發現“質子約0.5%的動量來自正反粲夸克對”的證據，精度達到3個標準差。

也就是說 如果質子中不包含一對正反粲夸克，那麼只有0.3%的可能性得到這個結果。

從此以後，再畫物質結構示意圖，大概就要改成這樣了。

說起粲夸克研究，在粒子物理學史上還挺一波三折的。

1974年，丁肇中領導的布魯克海文實驗與斯坦福線性加速中心兩組人馬，各自獨立發現了包含一對粲夸克和反粲夸克的J/ψ介子。

這次發現對粒子物理產生重大影響，史稱物理學中的“十一月革命”。

兩年後，丁肇中與斯坦福的Burton Richter共享了諾貝爾物理學獎。

從這之後，對粲夸克的研究開始多了起來。

到了1980年，歐洲核子研究中心CERN的一項試驗暗示質子內部也可能存在一對粲夸克和反粲夸克，稱為 內在粲夸克（Intrinstic Charm） 。

但這項試驗結果吧，不夠精確，不足以說明問題。

後來許多不同團隊跟進研究，提出不同的質子模型再用實驗數據驗證，又產生了相互矛盾的結果。

40年來，學術界對研究粲夸克的興趣是忽高忽低，誰也沒能拿出有力證據。

直到這一次，在機器學習新方法幫助下終於取得突破，找到內在粲夸克存在的證據。

有不少物理學家認為，這個結果對之後再做粒子對撞實驗都會產生不小的影響……

影響後續的對撞實驗

在進行對撞實驗時，經常會與質子打交道，而這個對於質子內部結構的研究，很有可能會影響到後續的相關實驗。

或許以後在做對撞實驗都要修正質子模型時，都把粲夸克對考慮進去了。

劍橋大學的Harry Cliffe說道：

大型強子對撞機很依賴質子子結構的精確性，因此後續的相關實驗可能就得考慮粲夸克對的影響。

就比如說南極洲的IceCube微中子觀測站，他們要尋找當宇宙射線擊中地球大氣層中的粒子時產生的稀有中微子，這其中或許就需要考慮到質子的粲夸克對結構。

但對於這項研究的成果，很多同行表示“符合預期”，畢竟之前已經有過相關的預測。

3個標準差的精度，在粒子物理學上一般可以算是初步證據。

要想正式被認可為一項“發現”，門檻至少是5個標準差。

在後續計劃中，研究團隊也表示將進行更多的實驗把精度提高到5個標準差。

到那時質子內就只有350萬分之一的可能性不存在粲夸克了。

這篇Nature論文，作者署名一欄只寫了一項，The NNPDF Collaboration。

這是歐洲核子研究中心CERN旗下的一個非盈利組織，由多個國家的大學和研機構資助。

具體到這次研究，有英國愛丁堡大學的希格斯理論物理中心、意大利米蘭大學Tif實驗室、荷蘭阿姆斯特丹自由大學物理與天文系、以及荷蘭國家亞原子物理研究所(NIKHEF)等組織參與。

論文發表後，對於教科書被改寫這事，已經有物理老師們討論起來了。

以後還給學生們教兩個上夸克一個下夸克的經典模型麼？

教吧，畢竟考試裡還得這麼寫。不過最新結論可以當成拓展和討論。

而物理系的學生則奔走相告“壞了，以後得重新學了”。

對於AI與物理學家協作搞出突破性成果這個模式，也有不少人產生興趣。

實際上，數據驅動的AI for Science，正是被譽為科學研究的下一個範式。

具體到粒子物理領域，則更是如此。

大型粒子對撞機反复實驗產生海量數據，而AI最擅長的正是從海量數據中發現新的規律。

負責這篇論文評審的高能物理學家、斯隆獎得主Christine Aidala也評價道：

機器學習的應用對這項研究非常關鍵，它可以生成物理學家自己不一定能想到的假設，減少數據分析中的偏差。