世界首个AI原生对撞机

一台还没建成的对撞机，已经被人叫作"世界首个AI原生对撞机"。这句话一半是真的，一半是宣传。拆开看，哪个是真、哪个是宣传，正好能看清AI怎么从图纸阶段就进了一台粒子加速器。

先找出处。"AI-native"这个词，你在布鲁克海文国家实验室（BNL）的官网上找不到。2026年5月18日，BNL发了一篇新闻稿《AI Shapes the Design of the Electron-Ion Collider》，原话是：the world's first collider designed with AI and machine learning integrated into both its accelerator and detector systems——全球首个从设计一开始就把AI和机器学习融进加速器与探测器两大系统的对撞机[1]。官方用的是"from day one"（从第一天起），"the first collider designed for the AI era"（为AI时代设计的第一台对撞机）。"AI-native"这个响亮叫法，是科技媒体Interesting Engineering先用的，传开后成了流行词[2]。概念是真的，出处得分清。

为什么偏偏是EIC赶上了AI？时机。AI4EIC社区白皮书说得很直白：RHIC和LHC都是建成多年后才想起给机器加AI，而EIC可能是未来二三十年世界上唯一新建的大型对撞机（在已立项的项目里），赶上了"AI时代"，有完整把AI嵌进去的机会[3]。加速器控制会议ICALEPCS 2025的论文更直接，把EIC定位成"AI-ready state-of-the-art facility"，还规划了三个方向的AI/ML能力——边缘低延迟推理、端到端统一生态、让本地专家自己上手部署[4]。所以"AI从设计第一刻介入"这个说法，2023年起就在社区里成形了。

证据在哪儿？不在EIC身上——它还没建成——而在它的前身RHIC的加速器链上。这是理解"AI原生"最要紧的一点：目前所有AI成果，都是在一个即将退役的加速器上练出来的。

加速器这边有个协作组叫EIC-BeamAI，布鲁克海文、康奈尔、SLAC、杰斐逊实验室、RPI、费米实验室六家，领头人是康奈尔大学的Georg Hoffstaetter教授[5]。他们做的是"物理信息机器学习"：把束流物理的精确模型喂给算法，让机器自己学着调束，而不是靠人反复试。成果都是实的。贝叶斯优化、强化学习被拿来调注入、稳束团合并、标定磁铁；LBNL的GPTune工具把RHIC的EBIS束线束流强度提升22%到71%[6]；AGS的自旋共振校正靠斜四极磁铁压下去极化共振，换来约10%的极化增益。最常被引用的一条：在RHIC前级加速器上，ML算法维持的束流质量已经和人类操作员相当[5][6][7]。这些不是零散尝试。围绕EIC的AI还有一个跨领域的社区工作组AI4EIC，2023年就出了白皮书，论证把AI从设计一开始就纳入的时机[3]。

贝叶斯优化的思路值得一提。它跟那种"先攒一万个数据再训练"的深度学习不一样，它特别适合加速器这种调一次很贵、数据带噪声、又急不得的场景。物理信息版本更进一层：不是纯让数据说话，而是把束流动力学的方程嵌进优化循环里。LEReC那台低能电子冷却器上，贝叶斯优化被用来对齐电子束和离子束的轨迹，2022年发表在PRAB上，是这类方法在RHIC体系里最早被写下来的成功案例之一[7]。AGS上还有更巧的活：把去极化共振一个个补偿掉，靠的是斜四极磁铁，换来约10%极化增益——极化正是EIC的命根子，EIC要当全球第一台完全极化的电子离子对撞机，质子束极化目标80%[8][9]。

探测器这边，AI的渗透更深。有个项目叫AID(2)E——AI辅助的ePIC探测器设计（AI-assisted detector design for the EIC）——PI是威廉玛丽学院的Cristiano Fanelli，BNL这边的负责是Torre Wenaus[10]。它跟传统设计方法的区别是：不是一个个子探测器单独优化，而是把整个ePIC探测器当一个整体，用多目标贝叶斯优化加遗传算法，同时盯着三件事——子探测器的本征性能（跟踪、量热、粒子鉴别的分辨率和效率）、关键物理道的表现、成本代理，最后输出一簇Pareto最优解。第一批优化对象是中央区的dRICH（7个设计参数加2个硬约束）和前向的B0探测器[10]。这个项目有真实计算量撑着：用ATLAS移植来的PanDA分布式调度，2024年每月产出15到20 TB模拟数据，500万个带电粒子模拟要烧掉1.5万CPU核时以上[10]。

粒子鉴别上了机器学习，效果相当硬。后向端pfRICH用CNN提取切伦科夫环特征，再交给XGBoost分类，在Geant4独立模拟上准确率95%[11]（作者全名以INSPIRE记录为准复核）。桶部成像量热计更夸张：第一级用经典的E/p能量比，95%电子效率下π介子抑制率只有23.5；第二级把高粒度的簇射信息重排成伪图像，喂给一个VGG风格的卷积网络去学电子和π介子的簇射形状差异，联合结果把抑制率拉到174——提升接近一个数量级[12]。

连数据模拟都AI化了。杰斐逊实验室的团队用扩散模型——那种从噪声里长出图像的生成式AI——直接生成电子-质子散射事件，动量守恒满足到0.1%[13]。后来又出了点云版本，用Point Edge Transformer生成全事件，动量守恒和Pythia8对得上（比值0.999(3)），用来做快模拟和基于模拟的推断[14]。物理分析里，喷注分类用ML区分夸克喷注和胶子喷注，用来约束胶子自旋ΔG，这是EIC自旋物理的核心问题之一[15]。

为什么探测器需要这么多AI？数据量。ePIC计划每秒处理50万次碰撞，每秒100 Gbit数据流，用的是流式读出——没有硬件触发，全交给在线系统，FPGA上的机器学习实时过滤和压缩是唯一可行的路子[1][16]。这跟LHC时代"先硬件触发再离线分析"的思路完全不同，是真正从架构层面为AI设计的。

关键人物值得一提。除Hoffstaetter和Fanelli外，还有几位：Kevin A. Brown，BNL物理学家、前RHIC控制系统负责人，EIC-BeamAI核心成员，说过一句话："我们不是在调机器，是在教机器自己调自己。"[5] Abhay Deshpande，BNL核物理与粒子物理协理实验室主任、EIC科学主任，也是pfRICH那篇ML论文的共同作者[11]。Tanja Horn，美国天主教大学教授、AI4EIC工作组的联席主席，她说："EIC是少数几个能从一开始就用上AI和机器学习的新设施。"[1][3] Torre Wenaus的愿景更大，他要把EIC的计算生态建成一个"认知AI设施"——不止是工具，而是整台机器会感知、会决策[16]。

现在说"宣传"那一半。BNL的新闻稿自己划了界："世界第一"的依据是RHIC和LHC都是建成多年后才加装AI，EIC是头一个出生就带的。这个参照系成立，但它是个自述性宣称，没有第三方独立核验。更重要的是：AI成果全部来自RHIC前级加速器的R&D和探测器模拟，EIC要到2032年前后才首束。所以准确的说法是：EIC是"第一个从零把AI嵌入全生命周期的在建大型对撞机"，"AI原生"描述的是设计意图加验证过的R&D，不是运行实况[1][17]。

还有一处空白值得诚实指出：AI和色玻璃凝聚（CGC）——EIC最核心的物理目标之一——的结合，目前还停在研究设想，没有已发表的实证成果。ML分类器被提议用来从衍射过程里提取广义部分子分布（GPD），但CGC本身是理论框架，它的ML应用更多是规划中而非已部署[3]。

为什么EIC需要这些AI能力？因为它的物理目标又大又难。2018年美国国家科学院把EIC的科学案例凝练成三个问题：核子质量从哪来——夸克质量只贡献约1%，剩下全是胶子和相互作用能量；核子自旋从哪来——夸克自旋只解释30%到40%；高密度胶子系统会涌现什么——即胶子饱和[18]。回答这些问题要做极高精度的测量，比如把纵向结构函数F_L的不确定度压到HERA时代的三分之一以下[19]，把胶子自旋ΔG的不确定度降低60%到90%[20]。这些测量对探测器性能和数据分析精度的要求，恰好逼着EIC走向AI。

EIC-BeamAI、AID(2)E、AI4EIC，三个缩写代表三个层面：加速器控制、探测器设计、社区组织。它们有个共同点——牵头机构几乎全是美国实验室和大学。这个AI叙事是美国人自己写的，后面那篇"八国合作"的文章会讲到，这恰恰是另一个故事。

2032年首束之前，"世界首个AI原生对撞机"是一个带着引号的宣称。但宣称背后的活儿是实的：教机器调束、让算法设计探测器、用神经网络分清π介子和电子、用扩散模型造出还没发生的碰撞。这些在RHIC上已经跑起来了。等到电子和质子真在隧道里撞上，AI能不能兑现"加速发现"的承诺，会是这十年最值得看的一个实验——只不过到那时，检验它的不再是新闻标题，而是数据。

参考文献

[1] BNL Newsroom, "AI Shapes the Design of the Electron-Ion Collider", 2026-05-18, https://www.bnl.gov/newsroom/news.php?a=222923.

[2] Interesting Engineering, "Electron-Ion Collider becomes first particle collider built with AI from day one", 2026, https://interestingengineering.com/ai-robotics/electron-ion-collider-ai-physics.

[3] C. Allaire et al., "AI4EIC white paper", Computing and Software for Big Science 8, 5 (2024), DOI 10.1007/s41781-024-00113-4, arXiv:2307.08593.

[4] ICALEPCS 2025, "EIC AI/ML infrastructure" (WEMR003), proceedings.jacow.org.

[5] Cornell University News, "Teaching AI to operate particle accelerators with DOE grant"; DOE-NP PI meeting slides (G. Hoffstaetter), science.osti.gov.

[6] X. Gu, B. Coe, T. Kanesue, M. Okamura (BNL), J. Qiang, X. S. Li, Y. Liu (LBNL), Y. Hao (MSU/FRIB), "Enhancing beam intensity in RHIC EBIS beamline via GPTune machine learning-driven optimization", IPAC'24 MOPC25, 2024, DOI 10.18429/JACoW-IPAC2024-MOPC25.

[7] Y. Gao, W. Lin, K. A. Brown, X. Gu, G. H. Hoffstaetter, J. Morris, S. Seletskiy (BNL/Cornell/Stony Brook), "Bayesian optimization experiment for trajectory alignment at the low energy RHIC electron cooling system", Phys. Rev. Accel. Beams 25, 014601 (2022), DOI 10.1103/PhysRevAccelBeams.25.014601.

[8] R. Abdul Khalek et al. (EIC User Group), "Science Requirements and Detector Concepts for the Electron-Ion Collider: EIC Yellow Report", arXiv:2103.05419; Nucl. Phys. A 1026 (2022) 122447.

[9] EIC Accelerator CDR, BNL, 2020, OSTI 1765663.

[10] M. Diefenthaler et al. (AID(2)E Collaboration), "AI-assisted design of the ePIC detector", JINST 19, C07001 (2024), DOI 10.1088/1748-0221/19/07/C07001, arXiv:2405.16279.

[11] D. H. Dongwi, C.-J. Naïm, L. Rhode, A. Deshpande (Stony Brook CFNS), "Hybrid Machine-Learning Particle Identification for the ePIC Proximity-Focusing RICH", arXiv:2512.14598 (2025). 注：作者全名以INSPIRE-HEP记录复核为准。

[12] T. Sosa Giraldo, W. Deconinck (University of Manitoba), "Machine Learning for Event Reconstruction at the Electron-Ion Collider", Zenodo 17180838 (2025).

[13] S. Devlin, J.-W. Qiu, F. Ringer, N. Sato (JLab), "Diffusion model approach to simulating electron-proton scattering events", Phys. Rev. D 110, 016030 (2024), arXiv:2310.16308.

[14] J. Y. Araz, V. Mikuni, F. Ringer, N. Sato, F. Torales Acosta, R. Whitehill, "Point cloud-based diffusion models for the Electron-Ion Collider", Phys. Lett. B (2025), arXiv:2410.22421.

[15] K. Lee, J. Mulligan, M. Płoskoń, F. Ringer, F. Yuan, "Machine learning-based jet and event classification at the Electron-Ion Collider with applications to hadron structure and spin physics", JHEP 03 (2023) 085, arXiv:2210.06450.

[16] ePIC Collaboration, "ePIC detector TDR / streaming readout architecture", 2025-2026.

[17] BNL Newsroom, "Transformation of RHIC to EIC Begins" (2026-04), https://www.bnl.gov/newsroom/news.php?a=122863; EIC project CD-3B announcement (2026-02), https://www.bnl.gov/newsroom/news.php?a=122807.

[18] National Academies of Sciences, Engineering, and Medicine, "An Assessment of U.S.-Based Electron-Ion Collider Science", National Academies Press (2018).

[19] J. Jiménez-López, S. Maple, P. R. Newman, K. Wichmann, "Inclusive electron-proton measurement prospects in the Electron-Ion Collider early science stage", arXiv:2602.00860, DESY-25-164, Phys. Rev. D (2026, accepted).

[20] E. C. Aschenauer, S. Fazio, J. H. Lee, H. Mäntysaari, B. S. Page, B. Schenke, T. Ullrich, R. Venugopalan, P. Zurita (BNL), "The Electron-Ion Collider: Assessing the Energy Dependence of Key Measurements", Rep. Prog. Phys. 82 (2019) 024301, arXiv:1708.01527.