Стандартная модель физики элементарных частиц чрезвычайно успешна. Однако у него есть много экспериментально подогнанных входных параметров (например, массы фермионов, углы смешивания и т. д.). Насколько серьезно мы можем относиться к успеху Стандартной модели, когда у нее так много входных параметров?
На первый взгляд, если у модели много входных параметров, она может соответствовать большому объему данных. Существуют ли качественные и, что более важно, количественные предсказания Стандартной модели, которые не зависят от этих экспериментально подобранных параметров? Опять же, я не сомневаюсь в успехе SM, но это проблема, которую я хотел бы решить и демистифицировать.
Неверно думать, что вся стандартная модель физики элементарных частиц была определена экспериментально. Это далеко не так. В большинстве случаев теоретические предсказания физики элементарных частиц позже подтверждались экспериментально и довольно часто с очень высокой точностью.
Например, физики-теоретики предсказали существование и бозоны и их массы, бозон Хиггса, существование глюонов и многие их свойства еще до того, как эти частицы были обнаружены. Паули постулировал существование нейтрино для объяснения сохранения энергии при бета-распаде до того, как нейтрино было обнаружено. Аномальный магнитный момент электрона, значение которого было предсказано Юлианом Швингером, согласуется с экспериментом до 3-х частей в . Нарушение четности в слабом взаимодействии, предсказанное Ли и Янгом, позднее было подтверждено экспериментально. Предсказание позитрона Дираком было обнаружено четыре года спустя Андерсоном.
Список можно продолжать, и список огромен . Физика элементарных частиц, возможно, является самой успешной физической теорией, потому что снова и снова ее предсказания позже подтверждались экспериментом с удивительно высокой точностью (хотя иногда наши теории нуждались в улучшении, чтобы объяснить некоторые детали экспериментальных данных). Я могу быть предвзятым, исходя из теоретического фона физики элементарных частиц, но я всегда соглашался с тем, что Стандартная модель — самая математически красивая, глубокая и глубокая модель из всей физики. Это отражено в его почти чудесной точной предсказательной силе.
Еще несколько важных моментов:
1935 Хидэки Юкава предложил сильное взаимодействие для объяснения взаимодействий между нуклонами .
1947 Ганс Бете впервые использует перенормировку.
1960 Йоичиро Намбу предлагает SSB (нарушение киральной симметрии) в сильном взаимодействии.
1964 Питер Хиггс и Франсуа Энглер предлагают механизм Хиггса.
1964 г. Мюррей Гелл-Манн и Джордж Цвейг заложили основу кварковой модели.
1967 Стивен Вайнберг и Абдус Салам предлагают электрослабое взаимодействие/объединение.
Стандартная модель может иметь много параметров, но она также говорит о многих вещах, каждый из которых обычно включает очень ограниченное количество параметров. Например , время жизни мюона
Я уверен, что кто-то будет возражать против моей формулы для имеет время на левой стороне и обратную массу на правой стороне, использует натуральные единицы и должен читаться
На сегодняшний день, 24 сентября 2021 г., БАК выпустил 2852 публикации. Допустим, в каждой публикации по 5 сюжетов. Каждый участок имеет 50 очков. Мы округлим это число до 1 000 000 точек данных вместе со сравнением с теорией.
Какую часть данных по физике элементарных частиц составляет БАК? 1%? Я не знаю. Физика элементарных частиц началась в 1908 году с открытия Резерфорда. эксперимент. Допустим, LHC — это 0,1% всех данных.
Это означает, что 1 миллиард точек данных объясняется с помощью свободные параметры. Я помню , но, возможно, он изменился. Википедия говорит . Я не знаю об этом.
В любом случае, количество данных на несколько порядков энергии, включающих все известные формы материи, в ЭМ, слабом и сильном секторах, объясняемых таким небольшим количеством параметров, является экстраординарным.
Несмотря на темные дела .
Вопрос, в конечном счете, не в физике, а в статистике. Недаром физика элементарных частиц остается одной из немногих областей физики, где статистика все еще практикуется на высоком уровне (во многих других областях высокая точность измерений сводила потребность в статистическом анализе к вычислению стандартных отклонений). В частности, глава о статистике в PRD представляет собой отличный ускоренный курс по статистическому анализу.
Сколько параметров много?
В физике мы привыкли к моделям, где количество параметров можно пересчитать по пальцам, потому что мы стремимся понять элементарные взаимодействия/процессы/и т.д. Описание любых явлений реального мира обязательно приводит к объединению многих элементов и использованию большего количества параметров. Модели, используемые в технике, например, при проектировании самолетов или в государственном планировании, содержат сотни и тысячи параметров. Большие перспективы машинного обучения связаны с современными вычислительными возможностями для использования моделей с миллионами параметров, часто имеющих очень неясное значение (для людей), но они по-прежнему работают очень хорошо, как мы видим по тегам Facebook или растущему качеству Google. переводить.
Сколько данных?
Будет ли у нас слишком много параметров, зависит от того, сколько у нас данных. Эмпирическое правило состоит в том, что у нас больше точек данных, чем у нас есть параметров. Однако более принципиальные подходы строятся вокруг вероятности , то есть вероятности наблюдения данных при заданных нами значениях параметров:
Теперь, если наша модель хороша, вероятность будет увеличиваться по мере увеличения количества данных (количества точек данных) — хотя это увеличение не является строго монотонным из-за случайных эффектов. Если этого не происходит, наша модель не годится — возможно, она слишком упрощена, имеет слишком мало параметров — это называется недообучением .
Сравнение моделей
Учитывая большое количество данных, модель с большим количеством параметров, как правило, приводит к более высокой вероятности - именно в этом заключается проблема, поднятая в ОП. Попутно замечу, что мы никогда не можем доказать или опровергнуть модель саму по себе — мы скорее сравниваем разные модели и выбираем лучшую. Модель с большим количеством параметров может быть просто лучше, потому что она лучше аппроксимирует физическую реальность. Но такая модель может привести к более высокой вероятности просто потому, что у нас есть больше параметров для настройки — это то, что мы называем переоснащением .
Разработаны методы корректировки количества параметров при корректировке модели. Одним из наиболее известных является информационный критерий Акаике (AIC), где сравниваются величины
где это количество параметров un model . Тогда модель с наименьшим значением AIC считается той, которая достигает наилучших результатов с наименьшим количеством параметров.
Чтобы этот простой критерий не показался слишком интуитивным, позвольте мне указать, что для его строгого обоснования требуется совсем немного математики. Существуют также более сложные версии, а также альтернативные критерии, такие как байесовский информационный критерий (где заменяется его логарифмом).
Вот как в двух словах происходит выбор лучшей модели. Физика вмешивается в формулировку логически мотивированных моделей на выбор. Подозреваю, что если мы посмотрим на публикации того времени, когда была сформулирована Стандартная модель, то альтернативных предложений было немало, а в дискуссиях среди ученых, наверное, еще больше. Но прелесть физики в том, что она позволяет значительно сузить выбор моделей — как альтернативу подходам машинного обучения, где все возможные модели равны, а выбор основывается исключительно на их совместимости с данными.
Если у вас есть входные параметры в детерминистской теории, которые вы можете идеально подогнать не более чем точки данных, просто регулируя эти параметры. В вероятностной теории это более тонко, но есть аналогичная ассоциация. Независимо от того, сколько параметров требуется стандартной модели, это намного меньше, чем необходимо для обработки 1 петабайта данных, собираемых на БАК в секунду.
Мы должны серьезно относиться к стандартной модели, потому что она обладает исключительной предсказательной силой.
Мне кажется, что сосредоточение внимания на многих параметрах, вводимых вручную в Стандартной модели, упускает из виду лес за деревьями. Нет никаких требований, чтобы законы природы соответствовали нашим представлениям о том, как должна выглядеть теория. Конечным арбитром теории является то, делает ли она проверяемые предсказания. Поскольку Стандартная модель так хороша в этом, мы должны отнестись к ней серьезно.
30 с лишним параметров невелики по сравнению с 30 тысячами или даже 30 миллионами. Конечно, физики хотели бы сократить количество параметров до одного или вообще до нуля. Тем не менее, мы можем относиться к нему серьезно из-за его экспериментального успеха. Более элегантный с математической точки зрения вывод стандартной модели основан на некоммутативной геометрии. Это дает полную модель, включающую смешивание нейтрино в естественной геометрической форме, даже если она некоммутативна.
Трубка
Анна В
Бармар
Митчелл Портер
Лодинн
Том
Том
Эрик Тауэрс