跳到正文
返回核反应
至真探索 · 核反应

AI重离子碰撞

2026-08-09

重离子碰撞的数据洪流正在逼出深度学习。一次金核对撞在几十微秒里喷出上千个带电粒子，而下一代实验要以每秒一千万次的频率把每一次碰撞都记下来。ALICE在大型强子对撞机上连续读出，每秒3.4太字节的原始数据涌进两千块GPU；德国的CBM计划在FAIR上以10兆赫兹自由流式读取；美国的sPHENIX必须在10微秒内决定一个事件值不值得记录，否则慢速探测器里的数据就被冲走。传统触发系统靠硬件逻辑挑事件，但面对这种量级，物理学家开始把神经网络塞进数据通路的最前端——不是当作事后分析的工具，而是当作实时运行的基础设施。

先看sPHENIX，这是目前把AI压进硬实时预算最彻底的重离子实验。在布鲁克海文的RHIC上，质子-质子碰撞率高达2到3兆赫兹，但数据采集带宽只能记下约15千赫兹，约九成的事例被白白丢掉。sPHENIX的策略是让两块快速硅径迹探测器（MVTX约5微秒、INTT约0.4微秒）流式读出，在约6到10微秒内用FPGA上的机器学习判定要不要读慢速的时间投影室（约35微秒）。判定用的是一套图神经网络流水线：TrackGNN做径迹重建，二分图网络加集合Transformer（BGN-ST）判定是否是b强子衰变，准确率97.38%。这套AI引擎部署在FELIX-712板卡上，用hls4ml工具把神经网络编译成FPGA的硬件电路。hls4ml翻译的GarNet命中级模型延迟505纳秒；手工重写的FlowGNN在285兆赫兹下8.82微秒完成边分类。目标是把b夸克这种只有约0.05%产生率的稀有信号，从被丢弃的洪流里捞回来。这个项目叫FastML，由美国能源部资助，参与机构包括LANL、MIT、FNAL、NJIT、GIT、ORNL。

CBM走的是另一条路。它不挑事件，全记。自触发、自由流读出，每秒一千万次金核对撞，每个中心碰撞约一千个带电粒子，双层条探测器产生约85%的虚假击中。这个数据量不可能存下来，必须在线上做全事件重建。CBM设计了FLES（第一级事件选择）处理器集群，在线上跑元胞自动机加卡尔曼滤波的径迹重建——卡尔曼拟合器在GPU上约1微秒拟合400个粒子。更进一步的AI方案正在研发：ANN4FLES神经网络包训练了多层感知机和卷积网络，用于QGP相关事件的在线触发，在PHSD模型模拟上CNN准确率超过95%；Kisel和Tyagi 2025年展示了GNN径迹发现，总径迹效率97%，比元胞自动机的95.5%高，低动量次级径迹效率提高7%。

ALICE的Run 3升级提供了一个"软实时"的参照系。它把在线和离线统一进一个叫O2的框架，约270台第一级处理器加1250到1500台事件处理节点——大约十万个CPU核、五千块GPU、五百块FPGA。TPC径迹重建占了同步处理计算量的99%以上，完全跑在GPU上。这里有个需要澄清的事实：ALICE在线重建用的是元胞自动机加卡尔曼滤波的GPU化版本，不是图神经网络——GNN是Exa.TrkX和CBM的研发路线，还没有进入ALICE的在线管线。但ALICE在别的环节大量部署了神经网络：TPC的空间电荷畸变修正改用深度网络（因为Run 3去掉了门栅网，畸变涨落太强、解析修正太慢）；粒子鉴别用了一套组合探测器的ML系统——每个粒子种类一个二元神经网络，融合TPC的dE/dx、TOF、TRD信号，处理不完整数据时用集合嵌入加多头自注意力（Transformer编码器），模型以ONNX格式存在条件数据库里，用ONNXRuntime在C++框架里推理。这是目前重离子领域部署最完整的生产级ML-PID系统。

真正的物理发现也越来越多地依赖深度学习。2018年，华中师范大学的庞龙刚、周凯、Nan Su、Hannah Petersen、Horst Stöcker和王新年在《自然·通讯》上发表了"物态方程仪表"（EoS-meter）：用深度卷积网络从末态粒子谱识别QCD物态方程是平滑过渡还是一阶相变，跨模型测试准确率超过95%。2021年，法兰克福的团队用PointNet做了面向CBM的版本，在模拟径迹上最高99.8%。2022年，Huang、庞龙刚、罗晓峰和王新年用动态边卷积的图神经网络探测临界涨落的间歇现象，只有5%的粒子被临界关联粒子替换时，准确率仍有92.8%。武汉大学的团队2025年在《物理快报B》上发表了TopoPointNet——把拓扑数据分析（持久同调）和点云网络结合，在强背景噪声下识别弱临界信号。注意核技术综述里的对比：图神经网络明显优于普通点云网络，关联粒子占5%时准确率92.8%对83.4%，占10%时97.7%对84.8%。

状态方程的约束也换成了贝叶斯加机器学习的方式。Omana Kuttan、Steinheimer、周凯和Stoecker 2023年在《物理评论快报》上报告：用高斯过程仿真器加速贝叶斯推断，从2到10 GeV的金核碰撞数据——质子平均横动能和椭圆流——把密度依赖的状态方程约束到约4倍饱和核密度，而且没有纳入拟合的中子星天体物理约束与推断结果吻合，构成了独立的交叉验证。2026年，芬兰于韦斯屈莱大学的Auvinen、Eskola、Hirvonen和Niemi用深度卷积网络替代昂贵的流体力学模拟（原来每个事件约30分钟），再做贝叶斯全局分析，计算量降了几个量级，从而把统计敏感的v₄和归一化对称累积量纳入约束，得出剪切粘滞η/s在150到230兆电子伏温度区间有0.12到0.18的平台。

中国在这个领域的地位，浓缩成一句话：分析端领先，采集端缺位。华中师范大学是物理分析端的绝对枢纽——EoS-meter开山、临界点GNN、DLQPM物理信息网络（用神经网络在有限重子密度重建状态方程并粗定位临界点）、CLVisc（庞龙刚自主开发的GPU三维粘滞流体程序）、物理引导神经网络预测RHIC可观测量。湖州师范学院用UrQMD加LightGBM逐事件提取不可压缩系数、对称能斜率和截面修正因子，还做碰撞参数重构。华南理工的贺亚运做深度学习辅助喷注层析，已有多篇PRL。但当我们看采集端——FPGA触发、GPU在线径迹、强化学习调触发、自主调束——这些几乎全是欧美装置的地盘。sPHENIX、ALICE、CBM、STAR的在线系统里没有一台是中国主导的。中国的差距不在算法，在工程化：新建的CEE、CBM中国参与方还没有形成系统化的AI软件栈，算力、高质量标注数据和共享机制也落后于欧美。

这里必须做一次诚实的事实核查。综合五份独立报告时，发现了几处需要修正的错误。临界涨落论文（PLB 864, 139405, 2025）的第二作者是Chengrui Qiu（邱成瑞），不是"Chong-Wei Qiu"——后者是新加坡国立大学著名的光学教授，纯属同名误挂。"神经网络增强贝叶斯全局分析"那篇（PRC 114, 014904, 2026）是芬兰于韦斯屈莱大学的工作，不是华中师大的——它是前面提到的Auvinen团队。手征磁效应的U-Net去折叠（CPL 42, 110101, 2025）作者是复旦的Guo Shuang、RIKEN的Lingxiao Wang、港中深的周凯和复旦的马国亮，不归SINAP。DOE的AI4SES报告正式发布于2024年1月，不是2023年。还有两个结构性的澄清：ALICE在线重建确实是元胞自动机加卡尔曼滤波而非GNN；STAR的高电平触发系统没有用机器学习异常检测，它的实时重建以传统算法为主，首创的是超核的实时重建。

把所有这些放在一起，图景是：深度学习正从离线的分析工具，蜕变为重离子物理的实时基础设施。sPHENIX把GNN压进FPGA在微秒级捞回b强子，CBM用神经网络在FLES上逐事件筛选QGP，ALICE用GPU农场加神经网络标定支撑无触发连续读出。与此同时，分析端从EoS-meter到临界点GNN再到贝叶斯状态方程，一条主线清晰可见。物理先验必须嵌入纯数据驱动管道，可解释性和不确定性量化从软需求变成硬约束——FPGA上的蒙特卡洛Dropout贝叶斯网络能在保持L1亚微秒预算的同时给出误差。但这场变革的步子并不均匀：欧美牢牢握住实时采集的工程化，中国在物理分析端跑在前面。实时AI正在把重离子物理推向"自主实验"的新纪元——那台能自己看、自己判、自己调束的加速器。而这条路的另一半，恰好是中国当下最需要补的课。

*参考文献*

  1. L.-G. Pang, K. Zhou, N. Su, H. Petersen, H. Stöcker, X.-N. Wang, "An equation-of-state-meter of quantum chromodynamics transition from deep learning", *Nature Communications* 9, 210 (2018), DOI: 10.1038/s41467-017-02726-3.
  1. M. Omana Kuttan, K. Zhou, J. Steinheimer, A. Redelbach, H. Stoecker, "An equation-of-state-meter for CBM using PointNet", *JHEP* 10, 184 (2021), arXiv:2107.05590.
  1. M. Omana Kuttan, J. Steinheimer, K. Zhou, H. Stoecker, "QCD Equation of State of Dense Nuclear Matter from a Bayesian Analysis of Heavy-Ion Collision Data", *Phys. Rev. Lett.* 131, 202303 (2023), arXiv:2211.11670.
  1. Y.-G. Huang, L.-G. Pang, X. Luo, X.-N. Wang, "Probing the critical fluctuation with machine learning in relativistic heavy-ion collisions", *Phys. Lett. B* 827, 137001 (2022), arXiv:2107.11828.
  1. R. Wang, C. Qiu, C.-S. Hu, Z. Li, Y. Wu, "Identifying weak critical fluctuations of intermittency in heavy-ion collisions with topological machine learning", *Phys. Lett. B* 864, 139405 (2025), arXiv:2412.06151.
  1. N. Mallick, S. Prasad, A.N. Mishra, R. Sahoo, G.G. Barnaföldi, "Estimating elliptic flow coefficient in heavy ion collisions using deep learning", *Phys. Rev. D* 105, 114022 (2022), arXiv:2203.01246.
  1. S.A. Jahan, H. Roch, C. Shen, "Bayesian analysis of (3+1)D relativistic nuclear dynamics with the RHIC beam energy scan data", *Phys. Rev. C* 110, 054905 (2024), arXiv:2408.00537.
  1. J. Auvinen, K.J. Eskola, H. Hirvonen, H. Niemi, "Neural-network-enhanced Bayesian global analysis of relativistic heavy-ion collisions", *Phys. Rev. C* 114, 014904 (2026), arXiv:2603.26413.
  1. F. Li, L.-G. Pang, X.-N. Wang, 《基于机器学习的重离子碰撞中QCD相变的研究》, 《核技术》46, 040014 (2023).
  1. K. Zhou, L. Wang, L.-G. Pang, S. Shi, "Exploring QCD matter in extreme conditions with Machine Learning", *Prog. Part. Nucl. Phys.* 135, 104084 (2024), arXiv:2303.15136.
  1. A. Belousov, I. Kisel, R. Lakos, A. Mithran, "Neural-Network-Based QGP Trigger for CBM at FAIR", *Algorithms* 16(7), 344 (2023).
  1. I. Kisel, O. Tyagi, "Graph Neural Network-based Algorithm for Track Finding in the CBM Experiment", ICNFP 2025, CERN Indico.
  1. C. Dean et al. (FastML/sPHENIX), "A demonstrator for a real-time AI-FPGA-based triggering system for sPHENIX", arXiv:2312.15104 (2023).
  1. T. Xuan, G. Borca-Tasciuc, Y. Zhu, Y. Sun, C. Dean, Z. Shi, D. Yu, "Trigger Detection for sPHENIX via Bipartite Graph Networks with Set Transformer", ECML PKDD 2022, LNCS 13715, 51-67.
  1. G. Eulisse, D. Rohr (ALICE), "The O2 software framework and GPU usage in ALICE online/offline reconstruction in Run 3", *EPJ Web Conf.* 295, 05022 (2024), arXiv:2402.01205.
  1. W. Betts, J. Chen, Y. Fisyak, I. Kisel et al. (STAR), "The High Level Trigger and Express Data Production at STAR", *Nucl. Instrum. Meth. A* 1088 (2026), arXiv:2508.03537.
  1. M. Karwowska, L. Graczykowski, K. Deja, P. Kasak, M. Janik, "Particle identification with machine learning from incomplete data in the ALICE experiment", *JINST* 19, C07013 (2024), arXiv:2403.17436.
  1. S. Gorbunov, E. Hellbär, G.M. Innocenti, M. Ivanov et al., "Deep neural network techniques in the calibration of space-charge distortion fluctuations for the ALICE TPC", *EPJ Web Conf.* 251, 03020 (2021).
  1. X. Ju, D. Murnane, P. Calafiura, N. Choma, S. Conlon, S. Farrell, M. Spiropulu, J.-R. Vlimant et al., "Performance of a Geometric Deep Learning Pipeline for HL-LHC Particle Tracking", *Eur. Phys. J. C* 81, 876 (2021), arXiv:2103.06995.
  1. U.S. Qureshi, R. Kunnawalkam Elayavalli, "Model-Agnostic Tagging of Quenched Jets in Heavy-Ion Collisions", arXiv:2411.19389 (2024).
  1. S. Templ, "A Multivariate Approach to Dilepton Analyses in the Upgraded ALICE Detector", Master thesis, TU Wien/CERN (2018).
  1. S. Banerjee, I. Kisel, "Artificial neural network for identification of short-lived particles in the CBM experiment" (2021).
  1. L. De Oliveira, B. Nachman, M. Paganini, "Electromagnetic Showers Beyond Shower Shapes", *Nucl. Instrum. Meth. A* 951, 162879 (2020), arXiv:1806.05667.
  1. S. Guo, L. Wang, K. Zhou, G.-L. Ma, "Neural network unfolding of chiral magnetic effect", *Chin. Phys. Lett.* 42, 110101 (2025).
  1. Y. He, Y.-G. Ma et al., "Bayesian convolutional neural network for identification of α-cluster structure in heavy-ion collisions", *Phys. Rev. C* 104, 044902 (2021), arXiv:2109.06277.
  1. G.-J. Wei, Y.-J. Wang, Q.-F. Li, F.-H. Liu, 《基于机器学习从逐事件重离子碰撞提取物理信息》, 《原子能科学技术》(2023).
  1. CMS Collaboration, "Model-agnostic search for dijet resonances with anomalous jet substructure in proton–proton collisions at √s = 13 TeV", CMS-MLG-23-002 (2025).
  1. RINO Collaboration, "Self-supervised pre-training for sim-to-real transfer in jet tagging", arXiv:2509.07486 (2025).
  1. DOE, "AI for Science, Energy, and Security (AI4SES) Report", January 2024.
  1. J. Duris et al., "Bayesian Optimization of a Free-Electron Laser", *Phys. Rev. Lett.* 124, 124801 (2020).
  1. G. Kozlov, I. Kisel, "Assessing carbon footprint and performance of KF track fitter in CBM", *Frontiers in Physics* 13, 1612829 (2025).
  1. A. Elabd et al., "Graph Neural Networks for Charged Particle Tracking on FPGAs", *Front. Big Data* 5, 828666 (2022), arXiv:2112.02048.
  1. S. Astrand et al. (SMARTHEP), "Perspective on machine learning for real-time analysis at ALICE, ATLAS, CMS, LHCb", *Mach. Learn.: Sci. Technol.* 7, 013001 (2026), arXiv:2506.14578.
  1. "Learning to Trigger: Reinforcement Learning at the LHC", arXiv:2606.23993 (2026).
  1. Y. He, W. Chen, Y. He, L.-G. Pang, X.-N. Wang, "Deep Learning Assisted Jet Tomography", *EPJC* 83, 652 (2023).
  1. P. Dorau, J.B. Rose, D. Pfd, "HADES real-time calibration with GCN+LSTM", arXiv:2505.17781 (2025).