Use Graph Neural Network in High Energy Physics
在高能物理中使用图神经网络
高能粒子物理中使用图神经网络
参考图片和文章地址: The next big thing: the use of graph neural networks to discover particles
思考
文章描述的是高能物理研究所费米实验室为了从海量的粒子碰撞图像中筛选有价值的图像，研发了一套图神经网络模型，这套模型部署在LHC实验室中，用来直接处理粒子对撞过程中产生的数据。
传统的数字图像中我们使用的点阵像素结构，每个像素都是由RGB 红绿蓝结合而成，使用传统的卷积神经网络，我们可以很好的去训练模型，使得模型能够分辨出每张图中的特征属性，然而在分子领域，科学家为了能够辨别出某种化学物质是否有毒性，需要使用X射线拍摄该化学物质的分子结构，从而去定位像碳环和羧基这类功能团的物理属性。研究这类X射线的3D图像与我们日常见到的2D图像有很大的区别，化学中我们会碰到很多同分异构体，如果采用2D CNN的思路，我们就很难去知道原子之间连接的结构，如果采用GNNs，它能够在图像中检测像素与像素之间的关系，原子代表节点，原子的相互作用和邻近关系可以通过边来描述，这样我们就能通过GNNs模型快速定位分子结构的特征，而不像CNN采用卷积核在固定的像素区域内扫描整张图片的有效特征，但并不考虑像素与像素之间的连接关系。
费米实验室采用GNNs模型去快速筛选在每一秒之间高能粒子相互碰撞所产生的海量图像，过滤掉无用的图像，从而更快速的验证新粒子存在的证明。
启发
是否能够将GNNs用在医学领域，比如CT检测，Chest-XRay检测，疾病预防，目前看到的医学领域采用的模型大部分是基于CNN的，采用GNNs是否能够做到更精准更可靠的判断，从而辅助医生快速定位病人的疾病情况。
