超核数据工厂AI离线加速到在线实时

# 超核数据工厂：从离线加速到在线实时，AI 正在换座位

1963 年，几个波兰物理学家在一叠显影后的照相乳胶片上，用眼睛找到了一个不可能的东西——一小段分叉的银粒串，分叉点有三个。

一段分叉说明一个粒子在这里碎了。三个分叉，说明这里发生了两次连续的碎裂，而且是套在一起的。他们当时给出的解释是：一个核里同时塞进了两个 Λ 超子。这就是人类第一次看见双 Λ 超核。方法是把乳胶片放在显微镜下，一格一格看，用眼睛。

这件事的代价，要等到五十多年后才被算清楚。

0. 先说这篇不写什么

知识库里已经躺着五篇讲超核的文章。《超核物理与奇异强子核物理》（2026-05-01）是总论，把七十年里出现过的超核物种摊成一张表。《重味超核物理：粲超核与底超核》（2026-05-05）讲含粲夸克和底夸克的那一支。《Ξ 超核深度研究》（2026-05-28）和《Σ 超核深度研究》（同日）各盯住一种超子，把能级、势阱深度、寿命翻了个底朝天。《超核弱衰变》（2026-05-26）讲它怎么死。

那五篇回答的是同一个问题：这个家族里有谁，各自长什么样。

这一篇换一个问题：这些成员是被怎么找出来的。

超核不会自己举手。它得先在一个探测器件里产生，再被读出来，再被人从一堆假信号里认出来。从产生到"确认存在"这条链路，近十年被机器学习同一个位置切了三刀——不，切在了三个不同的位置。每挪一次，能看到的量级就翻一次。

"超核数据工厂"这个说法不是我造的。它就是 2025 年那篇把第二个双 Λ 超核找出来的论文自己起的名字，原文写的是 Double-Strangeness Factory。这篇文章要说的，就是这家工厂的车间布局是怎么变的。

一、把一次核反应存成一张照片，代价是什么

先认识这件仪器。它叫核乳胶，说白了就是一片特制的照相底片。

带电粒子穿过它的时候，会在卤化银晶体上留下一串痕迹——显影之后，这串痕迹变成一串金属银颗粒，肉眼可见。用光学显微镜一照，就能看见粒子飞过的路径。

这东西有三个别的东西比不了的好处。第一，空间分辨率到亚微米，一个粒子的三维位置能定位到 1 微米以内。第二，它不需要电、不需要读出电子学，可以做成一大块，笨重但结实。第三，也是最重要的：它记下所有穿过它的粒子，一个不漏，没有触发，没有偏置。

第三点听着像优点，其实是双刃剑。没有触发，意味着它也不知道该记什么。一片乳胶从出厂到显影，这期间飞过它的每一个宇宙线、每一个天然放射性的 α 粒子、每一个杂散射出的碎片，全给你记下来。你要找的那个东西，混在里面，比例是十亿分之一量级。

现在看真实的数字。日本 J-PARC 的 E07 实验，是这个方法做到头的一台机器。它 2016 到 2017 年取数，一共 118 个乳胶模块，用掉了 2.1 吨乳胶凝胶，挨了 1.13×10¹¹ 个 K⁻ 介子。每个模块的构造是：两张 380 微米厚的薄片夹着十一张 1 毫米厚的厚片，面积 34.5 厘米乘 35.0 厘米。薄片用来跟外面的硅微条探测器接上，厚片用来让粒子停下来。

K⁻ 打进来，在乳胶前面的金刚石靶里发生一次 p(K⁻, K⁺)Ξ⁻ 反应，产生一个 Ξ⁻ 超子。Ξ⁻ 飞进乳胶，慢下来，被乳胶里的一个原子核抓住。抓住之后，有一定概率它跟核里的质子反应，挤出两个 Λ 超子——两个 Λ 挤在同一个核里，就是双 Λ 超核。这个"一定概率"，是百分之几。

所以你要找的，是 2.1 吨乳胶里、百分之几概率、三个分叉点拓扑的一小段银粒。

有人算过这个账。团队自己的估算写在 2023 年的一篇会议论文里：要人工检查完 E07 一个乳胶卷的全部图像，一个人看是不行的，十个人要 560 年。信号和本底的比例，约 10⁻⁷。

560 年。这个数字是理解后面所有事情的前提。

二、第一代在线：用计数器把大海捞针缩成一个小方块

560 年不能忍。所以还在上世纪末，物理学家就想了一个办法——别全看，先缩小范围。

这个办法叫"混合法"（emulsion-counter hybrid）。KEK 的 E373 实验（1995 年起）先这么干，J-PARC 的 E07 接着干，而且干得更狠。

做法是这样的：在乳胶模块的前后各摆一组硅微条探测器（SSD），条距 50 微米、四层、每层 320 微米厚。K⁻ 束流打在靶上那一刻，KURAMA 谱仪精确测出射出的 K⁺ 的动量；同时 SSD 记下飞出的 Ξ⁻ 的位置和角度。两条信息一合，就能算出这个 Ξ⁻ 大概会飞向乳胶的哪个位置、以什么角度。

于是扫描的时候不用扫全片。只扫预测位置周围 200 微米见方的一小块，顺着预测的径迹一路追下去，直到追到三个分叉点的那个地方。

这一个动作，把"560 年"变成了"可完成的工程"。E373 靠它找到了 Nagara 事件：2001 年发表在《物理评论快报》第 87 卷 212502 号，ΛΛ⁶He，双 Λ 结合能 7.25 ± 0.19 MeV，Λ 与 Λ 的相互作用能 ΔB_ΛΛ = 1.01 ± 0.20 MeV。这是历史上第一个被唯一确认的双 Λ 超核。E07 靠它又在 2019 年找到了 MINO 事件（成果发表在《理论物理与实验物理进展》2019 年 021D02 号），还找到了 Ξ⁻ 与 ¹⁴N 的库仑辅助束缚态。

注意，这已经是"在线"了——它是实时的、硬件级的、在束流还在跑的时候就在做判断。只不过它判断的不是"这是不是超核"，而是"这个 Ξ⁻ 会落在哪儿"。

三、裂缝：计数器只看得见它被教过要看的东西

这一招管用，但它有个天生的边界。

硬件触发能帮你，是因为 Ξ⁻ 有记号。p(K⁻, K⁺)Ξ⁻ 这个反应，出来的 K⁺ 带着一个特征动量，谱仪一测就知道"刚才发生了一次 Ξ⁻ 产生"。有了这个记号，才有后面追踪的可能。

但超核里数量最多的那一类——单 Λ 超核，包括最轻的超氚核 ³ΛH——没有这个记号。

它们是在乳胶内部通过 n(K⁻, π⁻)Λ 这个过程长出来的：K⁻ 撞进核里，把一个中子换成 Λ，同时飞出一个 π⁻。这个 Λ 再跟旁边一起产生的核碎片结合，就成了超核。整个过程没有一个可以预告的、跑到乳胶外面来的信号。混合法那套实时探测器在这里一无所获。

团队 2023 年那篇会议论文把这件事说得很直白：E07 虽然产生了大量超氚核，但是在此之前，超氚核在 E07 数据里从来没有被观测到过——因为实时探测器给不出关于它们的任何信息，要找到它们，只能把整个乳胶体积完整扫一遍。

这就是裂缝的形状。用硬件做的"在线"，只能看见它被教过要看的东西。 没被教过的，哪怕它就在那里、数量比被教过的多三个数量级，也看不见。

四、第二代：AI 坐到流水线后排

补上这道裂缝的办法，是让机器去"看"照片。

2021 年 9 月，以 RIKEN 的 Takehiko R. Saito 为首的国际团队在《自然综述·物理》第 3 卷 803 页发表了一篇展望文章，题目叫《超核物理的新方向》。这篇文章第一次系统地说：核乳胶分析要靠深度学习来救。文章列出的合作方跨了七个机构——RIKEN、岐阜大学、东北大学、立教大学、埼玉大学、西班牙 CSIC 的物质结构研究所（IEM）、以及兰州大学。

这里要先讲清一个顺序，因为这是整篇文章最容易讲反的地方。

AI 不是替代人去看显微镜。AI 替代的是"决定看哪里"这个动作。

原来的流程是：硬件触发告诉你去哪一小块扫；剩下的靠人。新的流程是：不靠硬件触发，把整片乳胶的图都让机器过一遍；机器给出候选图；人再回到显微镜前，看这几张图。

也就是说 AI 坐在流水线的后排。它先跑完一次粗筛，把 2.1 吨乳胶缩成几十张值得看的照片。最后那一下"是人还是机器确认"的问题，答案仍然是"人"。

五、没有真数据，就先造一批像的

这里碰到一个循环的难题。

你要训练一个网络去认超核事件，得先有一批标好答案的超核图片。但超核事件少到几十年才攒出两个确认的——训练数据压根不存在。

团队的办法是：造。

分三步。第一步，用 Geant4 做蒙特卡洛模拟。把超核产生和衰变的过程在计算机里跑一遍，以 0.2 微米为步长记下每个带电粒子的轨迹，再把这些坐标转成乳胶里大约 1 微米直径的银颗粒"落点"，投影到 RGB 三个颜色通道上——红色代表焦平面下方的虚像，绿色代表对焦的颗粒，蓝色代表焦平面上方。这样出来的图，物理是对的，但长得不像真照片。

第二步，解决"长得不像"。他们用了 pix2pix——一个基于生成对抗网络的图像风格迁移模型，专门干"把 A 风格的图变成 B 风格"这类活。用真实显微镜图和加工过的图做成对训练，让它学会"把一张模拟图变成一张看起来像显微照片的图"。另外用 JAM（Jet AA Microscopic transport model）模拟 K⁻ 束引起的核散裂反应，把背景径迹也叠上去。

第三步，训练目标检测模型。用的是 Mask R-CNN，加载 ImageNet 预训练权重做迁移学习，约 1 万张训练图，因为模拟流程自带精确的位置和掩码信息，绕开了人工标注。

判断阈值定在 0.8。为什么是 0.8 而不是别的数？因为超核事件太少，正样本数量估不准，传统那一套画 ROC 曲线的方法在这儿用不上。他们改用 α 衰变事件来定标——α 衰变在乳胶里有充足的真实数据，可以拿它来验证模型的表现，再把这个表现外推到超核搜索上。

这套流程有个名字，叫"代理图像"（surrogate images）。代理的意思是：它替的不是人，是数据。

六、三个成果，三组数字

这套方法跑下来，出了三批结果。按时间排。

第一批，2023 年 11 月，发表在《核仪器与物理研究方法 A》第 1056 卷 168663 号（预印本 arXiv:2305.00884）。这篇是第一作者 Ayumi Kasagi（当时在 RIKEN 与立教大学）带队的方法学论文。它先用 α 衰变事件做验证，结论是：检测效率约为传统图像处理的两倍，人工目视检查的工作量减少到约 1/17。署名机构跨了 RIKEN、岐阜大学、立教大学、埼玉大学、格罗宁根大学、西班牙 IEM/CSIC、中国科学院近代物理研究所、中国科学院大学、兰州大学、巴基斯坦 GIK 工程科学与技术学院、GSI、东北大学、RIKEN 仁科中心。

第二批，2025 年 4 月，双 Λ 检测方法的正式论文，发表在《核仪器与物理研究方法 A》第 1073 卷 170196 号，第一作者 Yan He。这篇有个陷阱：它的预印本（arXiv:2409.01657）题目是 "A novel machine learning method to detect..."，正式发表时改成了 "A novel application of machine learning to detect..."。二手材料如果只抄预印本，题目就会写错。

这篇报的数是：模型只学过 ΛΛ⁶He 的图像，但在生成的图上对 ΛΛ⁶He 的检测效率是 93.8%、对 ΛΛ⁵H 是 82.0%，纯度分别是 98.2% 和 98.3%。它还把 2001 年的 Nagara 事件找出来了，置信度 0.974。然后应用到 E07 真实数据上——背景图像被压到原来的 0.17%，在 0.2% 的数据里找到六个双 Λ 候选，据此推算整个数据集里记录着两千多个双奇异事件，人工目检效率提升约 500 倍。

第三批，2025 年 8 月，这是最轰动的一篇。Yan He 是第一作者，通讯作者是 Yan He 和 Takehiko R. Saito，发表在《自然·通讯》第 16 卷 11084 号，标题直接叫《人工智能开辟双奇异工厂》。第一作者单位是兰州大学核科学与技术学院。

结果：在 0.2% 的数据里找到的六个候选里，有一个被唯一确认。它是一次 Ξ⁻ 被 ¹⁴N 俘获后产生的过程：Ξ⁻ 在顶点 A 被俘获，产生一个双 Λ 超核和一个质子；这个超核在顶点 B 和 C 依次发生级联弱衰变，所有产物都停在乳胶里。三重共面性检验给出 0.004 ± 0.013，说明三个末态粒子在同一平面内飞出，排除了放出一个中子的可能。据此确认这个核是 ΛΛ¹³B。

两个数：双 Λ 结合能 B_ΛΛ = 25.57 ± 1.18（统计）± 0.07（系统）MeV；Λ 与 Λ 的相互作用能 ΔB_ΛΛ = 2.83 ± 1.18（统计）± 0.14（系统）MeV。

这是 Nagara 事件之后二十四年里第二个被唯一确认的双 Λ 超核，也是第一次在氦以外的核里量出两个 Λ 之间的相互作用。

同一批工作还有一条线，同一时期发表在《理论物理与实验物理进展》2025 年 083D01 号（预印本 arXiv:2504.01601），第一作者还是 Kasagi。它盯的是单 Λ 那一边：在 0.6% 的 E07 数据里，识别出 46 个 ³ΛH 和 95 个 ⁴ΛH 的静止两体衰变。结合能用 ATIMA 的阻止本领计算重新标定能量-射程关系之后给出：³ΛH 的 B_Λ = 0.23 ± 0.11（统计）± 0.05（系统）MeV；⁴ΛH 的 B_Λ = 2.25 ± 0.10（统计）± 0.06（系统）MeV。

注意这两个数是第一次带完整的系统误差——论文自己说，这是现代核乳胶超核结合能测量里第一次给出定量的系统不确定度。

顺带说一句硬件。这几年扫描显微镜本身也换了代：相机从 CCD 换到四百万像素的 CMOS，帧率从 50 Hz 提到 150 fps；物镜从 50 倍、数值孔径 0.85 的油镜换成 20 倍、数值孔径 0.35 的空气镜；单次视场从 138×119 平方微米扩到 594×594 平方微米；z 轴驱动从脉冲电机换成压电致动器。结果是扫描速度提升约 18 倍，每天产出的数据量从 0.65 TB 涨到 12 TB。

AI 的加速和硬件的加速是叠加的，不是替代的。

七、工厂的产能账

现在把三组数字放在一起看，就能看出"工厂"这个词到底改了什么。

第一个数：0.2% 的数据，一个唯一确认。第二个数：0.6% 的数据，46 个 ³ΛH 加 95 个 ⁴ΛH。第三个数：整个 E07 数据集里，估计埋着两千多个双奇异事件。

也就是说，从 1953 年核乳胶第一次找到超核，到 2001 年找到唯一确认的 Nagara，四十八年里只攒下一个确认。而现在，处理完剩下的 99.8%，按同一个检测率推算，应该能给出约 2×10³ 个双奇异事件的探测，其中数百个能被唯一识别。

Kasagi 在 2025 年 6 月 HYP2025 会议的摘要里给了一个更宽的口径：如果超核事件能纯靠图像分析选出来，大约 10⁶ 个单 Λ 超核（含 ³ΛH）和 10³ 个双奇异超核是可以被探测到的。

10⁶ 是"百万"。从"两个"到"百万个"，这就是"工厂"要表达的量级变化。

但这里要说清一件事，因为它最容易在传播中被夸大：

那个 500 倍，是"人工目视检查时间"的倍率，不是"物理产出"的倍率。 它省下的是人的眼睛，不是物理的确认。最后那一步——把候选图拿到显微镜下、把每段径迹的长度和角度量出来、做运动学拟合、判断它到底是哪个核——仍然是人做的。AI 的工作是把"不可能看完"变成"值得看完的一小叠"。

八、第三代：让网络在"拍摄的同时"下判断

到这里，AI 还蹲在流水线后排。它拿到的是已经扫完的图，判完，人再回头看。

下一步显然是把这张桌子往前挪——让网络在乳胶被扫描的那一刻就下判断，扫到哪算到哪，扫完了结果也出来了。

这件事有人在正式做。

2023 年 8 月 31 日，日本学术振兴会（JSPS）批了一个科研费项目，编号 23K19051，类别是"研究活动启动支持"，负责人是 Kasagi Ayumi（当时立教大学），周期到 2025 年 3 月 31 日，经费 286 万日元。项目题目直译过来是：《开发高速物体检测方法，实现核乳胶中超核事件的实时搜索》。

项目简介里那句话写得很清楚：用神经网络做一个高速图像处理模型，建立一种"在拍摄的同时实时检测超核事件"的方法；靠自研的轻量网络做搜索，力争在几年内大量检出各种超核，并做质量精测。

这里有一个容易被混淆的地方，必须点出来。

名古屋大学那套高速扫描系统 HTS（Hyper-Track Selector）也一直在喊"实时"。它确实实时——72 个 2.2 百万像素的相机同时拍，原始数据吞吐 48 GB/s，分给 36 台计算机、每台两块 GPU，一共 72 块 GPU，在扫描的同时就把径迹段重建出来，只存径迹、丢掉原始图像。它的读速是每小时每层 0.45 平方米；下一代 HTS2 的目标是 25,000 平方厘米每小时每层，也就是 HTS 的五倍。

但 HTS 的"实时"是数据缩减的实时——实时决定"哪些像素值得存下来"。它判的不是物理，是像素。

而 JSPS 那个项目要的是物理判断的实时——在图像进来的那一刻就回答"这是不是一个超核事件"。

两者不是一回事。前者已经在跑，后者还在做。

九、算盘那边的 AI

上面讲的都是探测器这一侧。超核研究还有另一半：理论。那边也进了机器学习，但方式完全不同。

那边不是"工厂"，是替身车间。

第一篇，2026 年 2 月 11 日发表在《物理评论研究》第 8 卷 013160 号，题目叫《用神经网络量子态研究超核》。作者四人：Andrea Di Donna（特伦托大学、INFN-TIFPA）、Lorenzo Contessi（巴黎-萨克雷大学 IJCLab）、Alessandro Lovato（阿贡国家实验室、特伦托大学、INFN-TIFPA）、Francesco Pederiva（特伦托大学、INFN-TIFPA）。他们做的事是：把"神经网络量子态"这个方法第一次扩展到含 Λ 的体系——以前它只用来处理质子和中子。

换句话说，波函数本身由一个神经网络来参数化，然后用变分蒙特卡洛去找它的最优形式。相互作用用的是领头阶的无π有效场论，耦合常数和截断半径由高斯过程框架定，锚点是几乎精确的少体计算。结果：s 壳和 p 壳的 Λ 超核结合能，跟实验符合得相当好；还复现了实验上观测到的 ⁷ΛLi 相比母核 ⁶Li 的质子半径收缩。

第二篇，2026 年 2 月 22 日发表在《物理快报 B》第 874 卷 140285 号，题目《用神经网络量子态做单 Λ 超核的机器学习》。作者六人：Zi-Xiao Zhang、Wan-Bing He、Yu-Gang Ma（复旦大学），Yi-Long Yang、Peng-Wei Zhao（北京大学），Bing-Nan Lu（中国工程物理研究院研究生院）。这篇也是变分蒙特卡洛加神经网络量子态，但做了两件自己的事：一是提出"旋量分组"方法，把同位旋自由度解析地积掉；二是提出"自旋纯化"方案，处理轻超核因为结合太弱而在标准能量最小化里出现的严重自旋污染。结果是 s 壳超核的 Λ 分离能算到千分之一量级的精度，并且把这个方法推到质量数到 13 的 p 壳电荷对称超核。

第三篇更早一点，方向也不一样：用人工神经网络从无核心壳模型（NCSM）在小模型空间里的收敛模式，外推到大模型空间的收敛值。因为超核的收敛模式跟普通核很像——都被同一批核子相互作用主导——所以为普通核训练好的网络可以直接搬到超核上。这套办法报出来的结果是 ⁷ΛLi 的超子分离能。这是德国达姆施塔特工业大学的一篇博士论文里的工作，论文题目叫《超核的从头算理论与机器学习》。

十、两种贫血其实是同一种贫血

把实验侧和理论侧放一起看，会发现一件挺有意思的事。

实验侧最难的地方是：没有训练数据——超核事件太少，标注样本不存在，只能靠模拟造。理论侧最难的地方是：没有约束数据——超子寿命太短，做不了超子-核子散射实验，有效场论里的低能常数定不准，所以从头算会系统性地过束缚。

一个缺的是"给网络学的图"，一个缺的是"给模型定的参数"。但根子是同一个：超核这个东西太稀有了。

于是两边不约而同地去找同一个替身——模拟。实验侧用 Geant4 造图像，理论侧用有效场论造相互作用。都是"没有真的就先造个像的"。

这个共同点是有代价的。团队自己在论文里写明了：模型主要学到的是 Nagara 那种形状，而模拟图像和真实图像之间的差异可能引入偏差。这句话读起来轻，份量很重——它等于承认，那张 93.8% 的检测效率表，是有条件的。

十一、真正的"在线"，在别处长什么样

超核这一侧的"在线实时"还在路上。但同一件事，在高能核物理那边其实已经做完了。看看它们做到什么程度，能大致标出一个天花板。

一个例子是美国能源部核物理 AI/ML 计划下的 sPHENIX 实时 AI 项目。参与机构是麻省理工学院、洛斯阿拉莫斯、费米实验室、新泽西理工、橡树岭、佐治亚理工。目标是：在 RHIC 上以约 1 MHz 的速率跑质子-质子对撞，从里面实时捞出低动量的重味强子衰变。他们的做法是先训一个软件模型"二分图注意力网络"（BiGAT），做到信号效率超过 95%、本底拒绝率 99%；然后用 hls4ml 把模型翻成 FPGA 固件，把整套"解码—聚类—推理"链条装到一块读出板上，延迟压在 10 微秒以内。项目 2026 年 5 月出的最终报告说，一个完整集成的硬件演示器在项目期内没有做完。

另一个例子在国内。华中师范大学粒子物理研究所的陈耀忠在 2026 年 8 月的全国核电子学与核探测技术学术年会上报告了一个基于 FPGA 的重味事例实时触发算法：两阶段架构，第一阶段做聚类和径迹重建，第二阶段用一个池化加多层感知器的模型做事例鉴别；对底夸克的鉴别效率到 98.0%，径迹重建阶段 95.6% 的事例处理延时低于 1.5 微秒，事例鉴别阶段 94.5% 的事件延时低于 8.5 微秒。

这两个例子的共同点是：在线过滤的都是"数量大、有可学特征"的东西——重味夸克衰变出来的径迹拓扑。而对超核来说，问题恰恰相反：数量小到几乎没有，特征又细到几微米的银粒间距。把 FPGA 那套搬过来容易，难的是尺寸——轻量网络才能在线，但越轻量越容易误报，而误报的代价全压在最后那道人眼确认上。

那超核侧的下一个落点在哪？有一个明确的候选：美国杰斐逊实验室的 KL 束流设施（KLF）。它放在 Hall D，用 12 GeV 的 CEBAF 电子束打出一个铜辐射体产生光子，光子再打铍靶产生中性 K 长介子，通量约每秒一万个 K_L，比当年 SLAC 的高三个数量级。KLF 的正式提案编号是 C12-19-001，2023 年 8 月做了第一阶段工程准备评审。它已经批准的主体是奇异强子谱学——测 Λ、Σ、Ξ、Ω 超子共振的微分截面和自旋极化。而 Kasagi 在 HYP2025 的摘要里提到，超核分析的下一步前景，就是 KLF 的 KL 束流线上规划的超核站（相关技术说明由约克大学的 Mikhail Bashkanov 与 Saito 在 2024 年给出）。

所以要清楚这里的分寸：KLF 已经批准的是超子谱学，超核站是规划中的延伸，不是已经建成的装置。

十二、三道坎

把整条线拉直了看，会看到三处真实的障碍。

第一道，训练数据的贫血是个结构性缺陷，不是临时困难。 所有模型的训练集都是造的。造出来的图可以被验证到"物理对、看起来像"，但"看起来像"和"就是"之间有距离。这个距离会在哪一类事件上暴露？最可能的答案是没被模拟到过的形状。模型只在 ΛΛ⁶He 的形状上训练过，去测 ΛΛ⁵H 时效率就从 93.8% 掉到 82.0%——这 12 个百分点的落差，就是外推代价的第一个读数。

第二道，500 倍不等于 500 倍的产出。 这个倍数省的是人的眼睛。物理确认那一步没变，还是人拿显微镜。所以当有人告诉你"AI 让超核研究快了几百倍"，准确的说法是"AI 让值得看的东西少了几百倍"。这两句话的差别，决定了"工厂"到底是扩建了产能，还是只扩建了分拣线。

第三道，在线实时的位置决定了它的价值。 把判断放在在线，好处是省掉后面的存储和人力——HTS 已经在做这件事了，它连原始图像都不存。但代价是：在线的时候模型必须又小又快，而小和快都要用精度换。 在超核这个正样本比例十亿分之一的场景里，精度掉一点点，假阳性就会成倍地往上涨，最后全变成人眼的工作量。所以"在线"能不能成立，取决于一个很难看的算术题：省下的存储和分拣成本，是不是大于多出来的人工确认成本。

至于那个更大的判断——"超核的 ΛΛ 相互作用可能依赖它所在的核"——现在只有两个数据点撑着：ΛΛ⁶He 的 ΔB_ΛΛ = 0.67 MeV（这是 2013 年按更新后的 Ξ⁻ 质量重新算过的值，2001 年原始论文给的是 1.01 MeV），和 ΛΛ¹³B 的 2.83 MeV。两点的误差棒都还很大，而且两点差着四个质量数。说"依赖"太早，说"不依赖"也没有证据。这一步要等工厂真的把产能开出来。

十三、可证伪的判据

四条可以拿去验的判据。

其一，如果那个 500 倍站得住，那么处理完剩下的 99.8% 数据，应该能在几年内给出数百个唯一确认的双 Λ 超核。这不是远景——这是团队自己写进论文的估计。到时候数一下有没有，就知道这套方法学的效率估计准不准。

其二，如果"在线实时"真的落地了，下一代乳胶实验里，原始图像应该大部分不被存下来。HTS 已经是这个模式，超核搜索的网络要走到这一步，才能证明它真的进了在线回路，而不是又一个离线后处理工具。

其三，如果"ΛΛ 相互作用依赖核环境"成立，ΔB_ΛΛ 应该在不同核心核里系统地不同，而不只是浮动在误差棒里。现在只有两个点和两套舞；等到有十个点，就能看出这条曲线是平的还是有坡的。

其四，如果训练集的偏差不显著，那么同一批模型对不同核的检测效率应该接近。93.8% 对 82.0% 这个落差，就是现成的对照。如果换成更大、更真实的训练集之后这个落差收窄，说明是数据的问题；如果它不动，说明是模型学不到的结构性问题。

从 1963 年那三个分叉点，到今天这一千个待处理的乳胶模块，中间隔着的不是六十年，是十一个数量级的人工量。AI 在这条流水线上的位置，正在从后排往前排挪。它挪到哪儿，取决于那道人眼确认线什么时候能被放心地撤掉。

参考文献

本列表按正文讨论的先后顺序编号。正文各处论断均已随文写出作者、期刊、卷期与 DOI，本列表作为汇总索引，供逐条复核。

Y. He、T. R. Saito、H. Ekawa、A. Kasagi、Y. Gao、E. Liu、K. Nakazawa、C. Rappold、M. Taki、Y. K. Tanaka、H. Wang、A. Yanai、J. Yoshida、H. Zhang（共 14 位），Artificial intelligence pioneers the double-strangeness factory，*Nature Communications* 16，文章号 11084，2025 年。DOI 10.1038/s41467-025-66517-x。预印本 arXiv:2505.05802（v1 2025 年 5 月 9 日，v2 2026 年 1 月 8 日）。通讯作者：Yan He 与 Takehiko R. Saito。第一作者单位：兰州大学核科学与技术学院。其他署名单位：RIKEN 高能核物理实验室、埼玉大学物理系、GSI 重离子研究所、立教大学人工智能与科学研究生院、中国科学院近代物理研究所、中国科学院大学、岐阜大学教育学部、福井大学核工程研究所、西班牙 CSIC 物质结构研究所（IEM）、中国科学院近代物理研究所重离子科学与技术全国重点实验室、东北大学国际放射光创新智能中心、西安交通大学物理学院
A. Kasagi、T. R. Saito、V. Drozd、H. Ekawa、S. Escrig、Y. Gao、Y. He、E. Liu、A. Muneem、M. Nakagawa、K. Nakazawa、C. Rappold、N. Saito、M. Taki、Y. K. Tanaka、H. Wang、A. Yanai、J. Yoshida、M. Yoshimoto（共 19 位），Binding energy of ³ΛH and ⁴ΛH via image analyses of nuclear emulsions using deep-learning，*Progress of Theoretical and Experimental Physics* 2025，083D01，2025 年。DOI 10.1093/ptep/ptaf097。预印本 arXiv:2504.01601
A. Kasagi、W. Dou、V. Drozd、H. Ekawa、S. Escrig、Y. Gao、Y. He、E. Liu、A. Muneem、M. Nakagawa、K. Nakazawa、C. Rappold、N. Saito、T. R. Saito、S. Sugimoto、M. Taki、Y. K. Tanaka、A. Yanai、J. Yoshida、M. Yoshimoto、H. Wang（共 21 位），Hypernuclear event detection in the nuclear emulsion with Monte Carlo simulation and machine learning，*Nuclear Instruments and Methods in Physics Research A* 1056，文章号 168663，2023 年 11 月。DOI 10.1016/j.nima.2023.168663。预印本 arXiv:2305.00884
Y. He、V. Drozd、H. Ekawa、S. Escrig、Y. Gao、A. Kasagi、E. Liu、A. Muneem、M. Nakagawa、K. Nakazawa、C. Rappold、N. Saito、T. R. Saito、S. Sugimoto、M. Taki、Y. K. Tanaka、H. Wang、A. Yanai、J. Yoshida、H. Zhang（共 20 位），A novel application of machine learning to detect double-Λ hypernuclear events in nuclear emulsions，*Nuclear Instruments and Methods in Physics Research A* 1073，文章号 170196，2025 年 4 月。DOI 10.1016/j.nima.2024.170196。预印本 arXiv:2409.01657（预印本题名为 "A novel machine learning method to detect..."，与正式版不同）
T. R. Saito、W. Dou、V. Drozd、H. Ekawa、S. Escrig、Y. He、N. Kalantar-Nayestanaki、A. Kasagi、M. Kavatsyuk、E. Liu、Y. Ma、S. Minami、A. Muneem、M. Nakagawa、K. Nakazawa、C. Rappold、N. Saito、C. Scheidenberger、M. Taki、Y. K. Tanaka、J. Yoshida、M. Yoshimoto、H. Wang、X. Zhou（共 24 位），New directions in hypernuclear physics，*Nature Reviews Physics* 3(12)，803–813，2021 年 12 月。DOI 10.1038/s42254-021-00371-w
H. Takahashi 等（KEK-PS E373 Collaboration），Observation of a ⁶ΛΛHe double hypernucleus，*Physical Review Letters* 87(21)，212502，2001 年。DOI 10.1103/PhysRevLett.87.212502
J. K. Ahn 等（KEK-PS E373 Collaboration），Double-Λ hypernuclei observed in a hybrid emulsion experiment，*Physical Review C* 88(1)，014003，2013 年 7 月 17 日。DOI 10.1103/PhysRevC.88.014003。该文按更新后的 PDG Ξ⁻ 质量重新给出 ΛΛ⁶He 的 B_ΛΛ = 6.91 ± 0.16 MeV、ΔB_ΛΛ = 0.67 ± 0.17 MeV
Aye Moh Moh Theint 等（J-PARC E07 Collaboration），Observation of a Be double-Lambda hypernucleus in the J-PARC E07 experiment，*Progress of Theoretical and Experimental Physics* 2019(2)，021D02。DOI 10.1093/ptep/pty149（MINO 事件）
H. Ekawa 等（J-PARC E07 Collaboration），Observation of Coulomb-assisted nuclear bound state of Ξ⁻–¹⁴N system，预印本 arXiv:2010.14317（IBUKI 事件）
A. Kasagi，Hypernuclear Study with Nuclear Emulsion and Analysis Using Deep Learning Techniques（日文原题：原子核乾板によるハイパー核研究と深層学習の適用），*加速器*（Journal of the Particle Accelerator Society of Japan）22(4)，280–290，2026 年 1 月 31 日。DOI 10.50868/pasj.22.4_280。署名机构：同志社大学研究推进机构
A. Kasagi（研究代表），高速物体検出法の開発による原子核乾板中ハイパー核事象のリアルタイム探索（通过开发高速物体检测方法实现核乳胶中超核事件的实时搜索），日本学术振兴会科研费"研究活动启动支持"23K19051，执行期 2023 年 8 月 31 日至 2025 年 3 月 31 日，直接经费 2,200,000 日元、间接经费 660,000 日元，已结题
A. Kasagi 等，New Binding Energy Determinations of ³ΛH, ⁴ΛH, and Double-Strangeness Hypernuclei via Nuclear Emulsion and Deep Learning，第 15 届超核与奇异粒子物理国际会议（HYP2025）报告摘要，2025 年 6 月
M. Yoshimoto 等，核乳胶高速读出系统 HTS 的性能论文，*Progress of Theoretical and Experimental Physics*（2017 年）。HTS 规格另见 FASERν 技术提案（arXiv:2001.03073）表 7
H. Minami、T. Nakano、H. Rokujo、K. Kodama、K. Morishima、M. Yoshimoto、R. Komatani、T. Fukuda、T. Matsuo，Developments of a new fastest readout system "HTS2"，ICMaSS2023 报告，名古屋大学，2023 年 12 月
A. Di Donna、L. Contessi、A. Lovato、F. Pederiva，Hypernuclei with neural network quantum states，*Physical Review Research* 8(1)，013160，2026 年 2 月 11 日。DOI 10.1103/wmxg-cnrg。预印本 arXiv:2507.16994。署名机构：特伦托大学物理系、INFN-TIFPA、巴黎-萨克雷大学 CNRS-IN2P3 IJCLab、阿贡国家实验室物理部与计算科学部
Z.-X. Zhang、Y.-L. Yang、W.-B. He、P.-W. Zhao、B.-N. Lu、Y.-G. Ma，Machine learning the single-Λ hypernuclei with neural-network quantum states，*Physics Letters B* 874，140285，2026 年 2 月 22 日。DOI 10.1016/j.physletb.2026.140285。预印本 arXiv:2508.03575。署名机构：复旦大学核科学与技术系（核物理与离子束应用教育部重点实验室）、北京大学核物理与技术国家重点实验室、中国工程物理研究院研究生院
德国达姆施塔特工业大学博士论文，Ab Initio Theory and Machine Learning for Hypernuclei，答辩稿（含用人工神经网络从 NCSM 收敛模式外推超核结合能的工作）
M. Bashkanov、T. R. Saito，The Hypernuclear station at KLF (Technical Note)，2024 年
KLF Collaboration（M. J. Amaryan、M. Bashkanov、S. Dobbs、J. Ritman、J. R. Stevens、I. I. Strakovsky 等），Strange hadron spectroscopy with secondary K_L beam in Hall D，杰斐逊实验室提案 C12-19-001
M. Bashkanov（约克大学），Strange Hadron Spectroscopy with the KLong Facility at Jefferson Lab，预印本 arXiv:2207.10779
麻省理工学院，Intelligent Experiments Through Real-time AI: Fast Data Processing and Autonomous Detector Control for sPHENIX and Future EIC Detectors（最终报告），美国能源部科学办公室核物理分部，2026 年 5 月。DOI 10.2172/3401580。合作机构：麻省理工学院、洛斯阿拉莫斯国家实验室、费米国家加速器实验室、新泽西理工学院、橡树岭国家实验室、佐治亚理工学院
Ming Xiong Liu（洛斯阿拉莫斯国家实验室），Intelligent experiments through real-time AI: Fast Data Processing and Autonomous Detector Control for sPHENIX and future EIC detectors，美国物理学会核物理分会 2025 年秋季会议报告摘要（报告号 LA-UR-25-26719）
陈耀忠、陈凯（华中师范大学粒子物理研究所），基于 FPGA 的重味物理事例实时触发算法研究与实现，第二十三届全国核电子学与核探测技术学术年会（NED2026），2026 年 8 月 12 日，电子学分会场口头报告
S. Acharya 等（ALICE Collaboration），First measurement of A = 4 hypernuclei and antihypernuclei at the LHC，*Physical Review Letters* 134(16)，162301，2025 年 4 月 23 日。DOI 10.1103/PhysRevLett.134.162301
S. Acharya 等（ALICE Collaboration），首个 ³ΛH 椭圆流测量（Pb–Pb，√s_NN = 5.36 TeV），arXiv:2603.19398，2026 年
H. Wang、T. Fu、Y. Du、W. Gao、K. Huang、Z. Liu、P. Chandak、S. Liu、P. Van Katwyk、A. Deac、A. Anandkumar、K. Bergen、C. P. Gomes、S. Ho、P. Kohli、J. Lasenby、J. Leskovec、T.-Y. Liu、A. Manrai、D. Marks、B. Ramsundar、L. Song、J. Sun、J. Tang、P. Veličković、M. Welling、L. Zhang、C. W. Coley、Y. Bengio、M. Zitnik（共 33 位），Scientific discovery in the age of artificial intelligence，*Nature* 620(7972)，47–60，2023 年 8 月 3 日。DOI 10.1038/s41586-023-06221-2
何燕，基于机器学习方法对双超核的研究（博士学位论文），兰州大学，2025 年
R. L. Workman 等（Particle Data Group），Review of Particle Physics，*Progress of Theoretical and Experimental Physics* 2022(8)，083C01。DOI 10.1093/ptep/ptac097（Ξ⁻ 质量取值的权威来源，2013 年 Nagara 事件数值修正的依据）

核实与纠错记录

#	常见说法	实际情况	依据
1	《自然·通讯》那篇是 RIKEN 主导的工作	RIKEN 只是通讯作者的第二个单位。第一作者 Yan He 的第一署名单位是兰州大学核科学与技术学院，两位通讯作者（Yan He、Takehiko R. Saito）在兰州大学与 RIKEN 双署名。中文转载稿常把这件事写成"日本 RIKEN 团队"，漏掉兰州大学	Nat. Commun. 16, 11084 (2025) 作者机构栏
2	双 Λ 超核的检测效率提升 500 倍，所以研究快了 500 倍	是"人工目视检查时间"的倍率，不是物理产出倍率。论文原话是 reducing the time required for manual visual inspection by a factor of five hundred。物理确认（运动学拟合、电荷鉴别、唯一性判定）仍然由人完成	同上；arXiv:2409.01657 摘要
3	双 Λ 检测方法的论文题目是 "A novel machine learning method to detect..."	那是预印本题目。正式发表于 NIM A 1073, 170196 (2025) 时改成了 "A novel application of machine learning to detect..."。抄预印本会把题目写错	DOI 10.1016/j.nima.2024.170196 于 ADS 与 NSTL 记录
4	arXiv:2409.01657 尚未正式发表	该预印本已正式发表为 NIM A 1073, 170196 (2025)。arXiv 页面没有 journal-ref 字段，只查预印本页会把已发表的工作误记为预印本	同上
5	Nagara 事件（ΛΛ⁶He）的 ΔB_ΛΛ = 1.01 ± 0.20 MeV	那是 2001 年原始论文（PRL 87, 212502）的值。2013 年按更新后的 PDG Ξ⁻ 质量重算，已修正为 0.67 ± 0.17 MeV，B_ΛΛ 也从 7.25 ± 0.19 改为 6.91 ± 0.16 MeV。现在文献通用的值是 0.67	Phys. Rev. C 88(1), 014003 (2013)
6	2013 年那篇是"新发现一个双 Λ 超核"	它是对 E373 已有四个事件的重分析，其中包括 Nagara。真正的新发现是 2019 年的 MINO（E07）和 2025 年的 ΛΛ¹³B（E07）	同上；PTEP 2019, 021D02
7	"人工扫描 E07 全部乳胶需要 560 年"是一个官方统计口径	这是团队自己的估算，出自 2023 年的一篇会议论文，条件是"十个人"。同一批材料里"每片干板 1000 万张图像"（JST 报道）与"每片乳胶卷 14 亿张图像需人工检查"（Saito 2023）两个数差 140 倍，口径不同，不可混用	Saito 等，J. Phys. Conf. Ser. 2586, 012148 (2023)；JST Science Japan 2021 年 11 月报道
8	双 Λ 超核的唯一确认数，从 2001 年到 2025 年"一直只有一个"	表述大致对，但要区分"候选"与"唯一确认"：截至 E07 之前，历史上报道过约 47 个候选事件，其中唯一确认的只有 Nagara 一个。2025 年 ΛΛ¹³B 是第二个。中文材料常把 47 说成"发现了 47 个"	Nat. Commun. 16, 11084 (2025)；CSDN 转载的中文技术解读
9	HTS 扫描系统的"实时"和超核实时搜索是一回事	两回事。 HTS 的实时是"扫描时实时重建径迹、丢弃原始图像"，属数据缩减的实时；JSPS 23K19051 项目要的是"拍摄的同时实时判断这是不是超核事件"，属物理判断的实时。前者已在跑，后者在研	HTS 规格见 FASERν 技术提案 arXiv:2001.03073；项目描述见 CiNii 科研费记录 JP23K19051
10	HTS 与 HTS2 的读速	HTS 为每小时每层 0.45 平方米；HTS2 的目标是 25,000 平方厘米每小时每层（约 HTS 的 5 倍），2023 年报告时的实测状态是"用 24 个传感器验证通过，下一步做 beta 模式"。写成"HTS2 已达 5 倍"是超前的	Minami 等，ICMaSS2023 报告
11	Ayumi Kasagi 现任单位是立教大学	她在 2021–2025 年的论文里署名立教大学人工智能与科学研究生院，但 2026 年 1 月那篇日文综述已署名同志社大学研究推进机构。引用机构必须按论文发表时的署名，不能回溯	加速器 22(4), 280–290 (2026)；DOI 10.50868/pasj.22.4_280
12	兰州大学在这项工作中只是"参与单位之一"	兰州大学是《自然·通讯》双 Λ 超核那篇的第一单位（第一作者 Yan He 与通讯作者 Hongfei Zhang 均署名兰州大学），也是 NIM A 1073 那篇的第一单位。这一点在多数中文报道里被漏掉	Nat. Commun. 16, 11084 (2025)；NSTL 记录 39725b142214a0ec3e10f5f36befae5b
13	模型在真实数据上也是 93.8% 的检测效率	93.8%（ΛΛ⁶He）与 82.0%（ΛΛ⁵H）是在模拟生成的图像上的效率。应用到真实 E07 图像时，论文报的是"背景图像被压到 0.17%"和"0.2% 数据里找到 6 个候选"，不是同一个量。而且模型只学过 ΛΛ⁶He 的形状，对 ΛΛ⁵H 的效率掉 12 个百分点就是外推代价	arXiv:2409.01657 / NIM A 1073, 170196 (2025)
14	500 倍是 PUMI 那类"全流程加速比"	它是全流程里人工检查环节的估计倍率。同一套方法的早期版本（2023 年 α 衰变验证）给的数是约 2 倍检测效率、人工时间约 1/17。从 1/17 到 1/500，中间换的是任务对象（α 衰变对比双 Λ 搜索）与背景削减能力，两个数不能互相替代	NIM A 1056, 168663 (2023) 对比 arXiv:2409.01657
15	这项研究"证明了 ΛΛ 相互作用依赖周围核环境"	论文自己写的是"第一个直接迹象"（first direct sign），而单个事例不能定论。现在只有两个数据点：ΛΛ⁶He 的 0.67 MeV 与 ΛΛ¹³B 的 2.83 MeV，误差棒大且中间隔着四个质量数	Nat. Commun. 16, 11084 (2025) 摘要与正文
16	E07 是第一个用"混合法"的乳胶实验	E373 更早。 KEK-PS E373（1995 年起，用核乳胶加闪烁光纤探测器）先用混合法，找到 Nagara。E07 是它的升级版，目标是统计量提高约十倍	Phys. Rev. C 88(1), 014003 (2013)；PTEP 2019, 021D02
17	混合法能帮上单 Λ 超核的搜索	不能。混合法靠 p(K⁻, K⁺)Ξ⁻ 反应的 K⁺ 做实时标记，而单 Λ 超核走的 n(K⁻, π⁻)Λ 通道没有任何可外部预告的信号。这就是超氚核在 E07 数据里长期"从未被观测到"的原因。这道裂缝正是深度学习要补的地方	PTEP 2025, 083D01（第二节）；Saito 等，J. Phys. Conf. Ser. 2586, 012148 (2023)
18	KLF 是一个"超核工厂"	KLF 已批准的主体是奇异强子谱学（Λ、Σ、Ξ、Ω 超子共振的微分截面与自旋极化），提案 C12-19-001。超核站（Bashkanov & Saito 2024 技术说明）是规划中的延伸，尚未建成。写成"KLF 就是超核工厂"是把规划当既成事实	KLF 提案 C12-19-001；arXiv:2207.10779；Kasagi HYP2025 摘要
19	神经网络量子态已经能算中重质量超核	目前只能到 p 壳、质量数 13 左右的轻超核。两篇 2026 年的论文（PRR 8, 013160 与 PLB 874, 140285）把 NQS 第一次扩展到含 Λ 的体系，并推到 A ≤ 13。论文自己把"走向中重质量与重超核"列为未来工作	Phys. Rev. Research 8, 013160 (2026)；Phys. Lett. B 874, 140285 (2026)
20	第一篇 NQS 超核工作是中国的	两篇时间几乎同时，各自独立。 Di Donna 等（特伦托大学、INFN-TIFPA、巴黎-萨克莱 IJCLab、阿贡国家实验室）2026 年 2 月 11 日发表于 PRR，称"首次扩展至含 Λ"；Zhang 等（复旦大学、北京大学、中国工程物理研究院研究生院）2026 年 2 月 22 日发表于 PLB。PRR 那篇早 11 天，"首次"这个说法应在注明是 PRR 该文的自述	两篇 DOI 与发表日期
21	把"轻量网络在线实时检测"这件事当已经实现	截至 2026 年 10 月，它是一个已结题的探索性项目（JSPS 23K19051，2023 年 8 月至 2025 年 3 月，经费 286 万日元），产出是方法学论文与后续前景规划，不是已部署的在线系统。描述为"进行中"或"已完成"都不准确，准确说法是"已结题的方法学探索"	CiNii 科研费记录 JP23K19051
22	高能核物理的 FPGA 实时 AI 已经可以直接搬到超核搜索上	技术可搬，量级不可搬。 sPHENIX/EIC 那套过滤的是数量大、特征可学的重味径迹拓扑（1 MHz 输入，目标 15 kHz 输出，延迟 10 微秒内），MIT 的最终报告明确说完整集成的硬件演示器在项目期内未完成。超核搜索面对的是十亿分之一的正样本比例，约束完全不同	MIT 最终报告，DOI 10.2172/3401580
23	E07 的乳胶模块数量与结构	118 个模块，2.1 吨乳胶凝胶，遭受 1.13×10¹¹ 个 K⁻。每个模块为两张 380 微米薄片加十一张 1 毫米厚片，面积 34.5 厘米 × 35.0 厘米。部分材料把"13 张片"写成"12 张"，漏掉两张薄片当中的一个	PTEP 2019, 021D02；J-PARC2019 会议报告 Yoshida
24	2025 年那篇《自然·通讯》是"首次用 AI 发现超核"	更准确的说法是首次用 AI 发现的"双 Λ 超核"，也是第二次被唯一确认的双 Λ 超核。AI 用于核乳胶超核搜索的首篇方法学论文是 2021 年的《自然综述·物理》展望与 2023 年的 NIM A 论文，2021 年就已经用它检出过超氚核事件	Nat. Rev. Phys. 3, 803–813 (2021)；NIM A 1056, 168663 (2023)