粒子物理人工智能

AI 正在粒子物理的三个层面改变游戏规则：在数据采集层面从"按规则筛选"变成"按异常筛选"；在数据处理层面从"手工管道"变成"端到端学习"；在理论计算层面用生成式模型加速格点 QCD；在 BSM 搜索层面从"想好了再找"变成"先找再想"。

---

一、AI 触发系统

背景：每秒 4000 万次碰撞，只留 400 次

LHC 质子束每 25 ns 交叉一次，每秒产生约 1 PB 原始数据。触发系统必须在一瞬间决定保留哪些事件。CMS 采用两级触发：

L1 Trigger：4 μs 内做出决定，用粗粒度探测器信息将 40 MHz → 100 kHz
HLT (High Level Trigger)：几百 ms 内精细重建，将 100 kHz → 400 Hz

传统触发基于预设规则——设计触发菜单必须提前知道信号模样，未预想的信号会被扔掉。这是传统触发的根本盲区。

HL-LHC 挑战

2029 年起运行的高亮度 LHC（HL-LHC）瞬时亮度提高 5 倍，pile-up 从 ~40 暴涨到 ~200 个碰撞/交叉。4 μs 窗口不变，处理信息量翻 5 倍。

NextGen Triggers (NGT) 项目

由 Eric and Wendy Schmidt 战略创新基金资助，2023 年 10 月获批，为期五年。目标是为 ATLAS/CMS 开发 HL-LHC 时代的数据采集策略和在线 AI 方法。

HLS4ML：FPGA 上的神经网络

传统 GPU 推理延迟毫秒级，L1 Trigger 需要微秒级。HLS4ML（High-Level Synthesis for ML）将训练好的神经网络自动翻译为 FPGA 硬件描述语言，使 AI 推理延迟降至微秒甚至纳秒级。

关键节点：

2025.03：arXiv 发表 FPGA 图像识别用于 LHC 触发——CNN 处理量能器图像
2025.11：FPGA CNN 拓扑触发部署（Springer）
2026.04：CMS 低延迟 AI 电子触发——神经网络在 FPGA 上实时识别电子，满足 L1 Trigger 微秒约束

GNN 径迹寻找

在 HL-LHC 的 200 次堆叠下，单个事件可能有上万条径迹。传统 Kalman 滤波太慢。ATLAS 开发基于 GNN 的径迹寻找：径迹段为图节点，边表示是否属同一条径迹。GNN 可在 GPU/FPGA 上并行处理，速度远超传统方法。

CMS 40 MHz 全事件分析

最激进的思路：对每个束流交叉数据做实时分析，不在 L1 阶段丢任何事件。AI 在 FPGA 上做极轻量特征提取和异常检测，仅传递"异常分数"——本质上是无监督 AI 触发器。

2025.09：CMS 在 L1 Trigger 部署实时无监督异常检测（自编码器 + 密度估计），已在 Run 3 数据上运行。

---

二、AI 粒子识别（重建）

喷注味标记

喷注的"味"（b、c 或轻味夸克/胶子产生）决定其携带的物理信息。b 夸克衰变到 c 夸克 + W 玻色子，衰变点距主碰撞点约 1-2 mm（位移顶点）。区分 b/c/轻味是 LHC 关键能力。

ATLAS GN2：Transformer 接管

2025.05 arXiv:2505.19689 → 2026.01 Nature Communications 发表
扔掉手工特征工程，直接从原始径迹信息端到端学习
核心架构：Transformer 编码器（自注意力机制）
物理启发的多任务学习：主任务（b/c/轻味分类）+ 辅助任务（径迹起源预测、径迹对兼容性预测）

性能提升：

指标	提升
c-喷注拒绝率	3 倍（保持 b-效率不变）
轻味喷注拒绝率	1.6 倍
双希格斯分析信号强度	改善 20%

3 倍 c-喷注拒绝率相当于增加 3 倍数据量的分析灵敏度。GN2 已部署到实际物理分析（H→cc̄ 搜索、与 b/c 夸克作用的新粒子搜索）。

GNN 和 Transformer 的广泛应用

碰撞事件天然是图结构：粒子为节点，运动学关系为边
GNN 全事件处理同时优化所有重建任务（径迹、顶点、喷注）
2023 Nature Reviews Physics GNN LHC 综述
2026.03：GN2 HL-LHC 优化结果公布

范式转变

粒子物理数据处理正在从"手工算法 + 少量 ML"变成"AI 端到端学习 + 物理约束"。HL-LHC 数据复杂度已经超出手工管道处理能力。

---

三、AI 加速格点 QCD

计算瓶颈

格点 QCD 用 MCMC（HMC 算法）对四维格点上的场构型采样。两大瓶颈：

临界慢化：格点变细时步长被迫缩小，独立构型生成需几天
拓扑冻结：细格距上 HMC 几乎无法改变拓扑荷

正则化流（Normalizing Flow）

从简单分布（高斯）通过可逆变换到达目标分布（QCD 作用量定义的分布）。关键约束：规范等变性。

里程碑：

2019-2021：2D U(1)/SU(N) 验证可行性
学习型活动环（2025.02 arXiv:2502.00263）：神经网络学习每层最优环组合，ESS 从 20% → 80%
SVD 分解加速 SU(N) 变换（2025.02）
随机正则化流（SNF）：开边界条件 MCMC + 非平衡 MCMC + 流模型层减少做功方差。2025.04 PRD 首次 4D SU(3) 实现。2026 年验证到 β=6.4, 34⁴ 格点，~3 倍加速

关联系综（Flow-based Correlated Ensembles）

流模型的"第二次生命"——不替代 HMC，而是增强它。

2024.01 arXiv:2401.10874：用流模型学习两组不同参数分布之间的映射
关联的两组构型测量差分的统计误差小得多（Feynman-Hellmann）
Nf=2 QCD 实际计算：统计误差降低 2-3 倍，约 4000 个构型后净计算优势实现
首个在含动力学费米子 QCD 中实现计算优势的 AI 方法

扩散模型

2025-2026 加入格点场论竞争
反扩散过程等价于 随机量子化（Parisi-Wu 1981）——深层物理联系
物理条件化扩散模型（2026.01 NeurIPS ML4PS, 2026.03 JHEP）：随机量子化为物理条件
群等变扩散模型保持规范对称性
尚未扩展至 4D SU(3) 实用规模

L-CNN 逆重整化群

完全不同的路线：在粗格距上避免临界慢化。

L-CNN（Lattice Gauge Equivariant CNN）：L-Conv（规范协变平行输运）+ L-Bilin + L-Tr（取迹）
学习固定点作用量在粗格距上表现：格点伪迹 < 1%（a ≈ 0.14 fm）
静态势在 a ≈ 0.3 fm 的极粗格距上仍无可见伪迹
可能是目前最接近实用的 ML 格点 QCD 方案

断开图的 ML 回归

断开费米子图计算等价于解数万次线性方程组。ML 回归在不同夸克质量之间建立映射（2024.02 arXiv:2402.07450），BDT 回归降低 7-38% 计算成本。最实用、最直接的 ML 应用。

---

四、AI 异常检测搜索 BSM

传统搜索困境

只能找到提前想到的模型——超对称、额外维度、复合希格斯、暗物质媒介子等几十种框架下，末态组合爆炸，无法全部覆盖。

LHC Olympics（2020）

社区级别的异常检测挑战赛。催生主流方法：

CWoLa（Classification Without Labels）：区分信号区与侧带区——如果信号区有异常，分类器自动学会区分信号与背景，无需任何标签
Autoencoder：重建误差大的事件是异常
ANODE：归一化流学习侧带区密度，外推信号区
深度核化学习：MMD 统计检验直接比较两个数据集

结果（2021 Rep. Prog. Phys.）：多种方法能发现黑箱信号，但没有一种在所有场景下最优。

ATLAS 部署

2023.08 PRL：首次弱监督异常检测 LHC 搜索（Run 2 数据，共振新物理，CWoLa 方法）。未发现超出——但方法学闭环验证完成
2026.02 EPJC：四轻子末态 BSM 异常检测搜索

CMS 部署

MUSiC：传统模型无关搜索，系统扫描数百末态的质量谱和横动量谱。2021 EPJC（35.9 fb⁻¹），2026.03 Run 3 结果
CMS-PAS-MLG-23-002：ML 异常检测双喷注重态搜索（Run 2 138 fb⁻¹ 全数据），对比 Autoencoder、CWoLa 等
实时异常检测：自编码器 + 密度估计已在 L1 Trigger 上运行（2024 年以来），首次将 AI 异常检测部署到对撞机触发系统

量子异常检测

2024.10 Nature Communications：CERN QTI——变分量子电路在经典自编码器潜空间上做异常评分。当前 NISQ 设备精度不如经典方法，但展示了量子增强路线。

Kitchen Sink（2026.04 arXiv:2604.20965）

"所有能想到的物理可观测量都扔进一个简单分类器"——在 CWoLa 搜索中的表现与最先进深度学习模型相当。暗示：物理先验在无目标异常检测中可能比纯数据驱动更稳健（与 GN2 在监督学习中的端到端范式形成有趣对照）。

---

核心要点

AI 触发正在从"规则筛选"到"异常筛选"——HLS4ML 让 FPGA 推理达到微秒级
AI 重建正在从"手工管道"到"端到端学习"——GN2 Transformer c-喷注误判率降低 3 倍
AI 格点 QCD 正在从"替代 HMC"到"增强 HMC"——关联系综首次实现计算优势
AI BSM 搜索正在从"想好了再找"到"先找再想"——CMS L1 Trigger 已部署实时异常检测
四个层次的共同约束：可解释性、模拟-数据系统误差、4D SU(3) 可扩展性