⚛️ high-energy experiments

Vertex reconstruction for a search for neutron-antineutron conversions with HIBEAM

本文评估并比较了用于 HIBEAM 实验中湮灭顶点重建的经典方法与基于图神经网络的方法，发现虽然两种方法在顶点坐标的重建精度上表现相当，但机器学习在提取用于下游分析的事件形状信息方面具有独特的优势。

原作者： Alexander Burgman, Sze Chun Yiu, Yamna Shaikh, David Milstead, Eily Merjy, Lucas Åstrand, Kenneth Österberg, Fredrik Oljemark, Matthias Holl, Valentina Santoro, André Nepomuceno, Joshua L. Barrow

发布于 2026-08-31

📖 1 分钟阅读🧠 深度阅读

CC BY 4.0

原作者： Alexander Burgman, Sze Chun Yiu, Yamna Shaikh, David Milstead, Eily Merjy, Lucas Åstrand, Kenneth Österberg, Fredrik Oljemark, Matthias Holl, Valentina Santoro, André Nepomuceno, Joshua L. Barrow

原始论文采用 CC BY 4.0 许可（http://creativecommons.org/licenses/by/4.0/）。 ✨ 这是对下方论文的AI生成解释。它不是由作者撰写或认可的。如需技术准确性，请参阅原始论文。阅读完整免责声明

宇宙充满了物质，从头顶的恒星到我们自身体内的原子，然而，为什么会有如此多的物质而如此少的其对立面——反物质，这是一个深刻的谜团。根据我们目前所理解的物理定律，大爆炸应该创造了等量的物质与反物质，它们会立即相互湮灭，从而导致一无所存。为了解释我们为何存在，科学家们正在寻找一种对基本规则——即“重子数守恒”——的罕见破坏。这一规则规定，重粒子（如质子和中子）的总数应当保持不变。如果一个中子能够自发地转化为一个反中子，它就会打破这一规则，并为这种宇宙失衡提供线索。捕捉这种转化极其困难，因为它从未被观测到过，且它可能产生的信号极易被背景噪声淹没。

为了搜寻这一难以捉摸的事件，研究人员正计划在瑞典的欧洲散裂源进行新一代实验。该计划涉及将一束冷中子通过一个屏蔽管并射入一层薄箔中。如果一个中子转化为一个反中子，它会立即撞击薄箔并爆炸成一簇带电粒子流。识别这种爆炸的关键在于精确确定它在薄箔上的发生位置。该实验使用一个充满气体的巨大探测器，称为时间投影室，用于记录飞出的粒子的路径。然而，探测器也会看到其他粒子，例如被杂散辐射散射的电子，这些粒子看起来与信号非常相似。挑战在于如何从噪声中分辨出真实的爆炸，并以极高的精度确定事件的中心。

一支研究团队最近测试了不同的计算机方法在解决这一难题时的表现，他们使用了 HIBEAM 探测器的详细模拟数据。他们创建了数百万个虚拟事件，其中一个反中子在薄箔上湮灭，产生几个向探测器移动的带电派on（pions）。为了使测试更具真实性，他们还注入了额外的背景轨迹，模拟探测器在实际运行中会看到的随机电子。随后，研究人员在这些数据上运行了四种不同的重建策略，以观察哪一种能最好地计算出爆炸的位置。其中一种方法使用了物理学界沿用了数十年的经典统计方法；另一种则依赖于一种纯粹的几何技巧，完全忽略了“轨迹”的概念。另外两种方法使用了现代机器学习技术，具体来说是一种被称为“图神经网络”的人工智能，它将探测器中的命中点视为一个连接的信息网络来寻找模式。

结果显示，针对该特定探测器的简单几何结构，当涉及到寻找事件精确坐标的任务时，传统的统计方法与新型机器学习工具的表现不相上下。在没有背景噪声的情况下，所有方法都能以几毫米的精度定位爆炸中心。然而，当背景噪声增加时，各方法的表现出现了分歧。纯几何方法和那种观察整体事件的机器学习模型表现得非常稳定；即使背景电子的数量增加到两倍或四倍，它们的准确度也几乎没有变化。相比之下，经典的统计方法和一种更复杂的混合机器学习链在噪声增长时开始显得吃力，产生了若干极差的预测，从而显著拉大了误差范围。

尽管在寻找中心位置方面表现相似，但机器学习方法提供了其他方法无法提供的优势：它们能提供关于事件形状的额外信息，例如可能涉及的粒子数量以及每次预测的置信度得分。这些额外的数据非常有价值，因为有助于科学家在后期判断一个事件是真正的发现还是仅仅是一个偶然的巧合。研究结论指出，虽然传统方法足以完成寻找顶点这一基本任务，但机器学习方法能提供更丰富的图像信息。研究人员还发现，如果放宽规则以接受仅包含单个可见轨迹的事件，他们可以捕捉到几乎所有的事件，但爆炸的位置将会变得更加不确定。最终，这项工作表明，对于这项特定的搜索，未来的最佳路径可能是将传统方法的可靠性与机器学习的描述能力相结合，以确保如果一个中子真的转化成了反中子，实验不仅能找到它，还能完美地理解它。

技术摘要：基于 HIBEAM 的中子-反中子转换顶点重建

问题陈述
欧洲散裂中子源（ESS）的 HIBEAM/NNBAR 项目旨在通过中子-反中子（ $n \to \bar{n}$ ）转换来搜寻重子数破坏现象。识别信号事件的关键观测量是反中子在薄碳靶箔内与核子湮灭时重建的顶点。这种湮灭产生 2–4 个带电 $\pi$ 介子，进入时间投影室（TPC）。挑战在于如何从短且近似直线的轨迹段中，精确重建靶箔平面（ $z=0$ ）上的横向顶点坐标（ $x, y$ ）。重建过程必须对背景轨迹保持鲁棒性，特别是从 TPC 内区进入的低能康普顿散射电子，这些电子可能会模拟信号拓扑结构或使轨迹聚类变得复杂。此前的实验（如 ILL）实现的横向径向分辨率约为 $\sim$ 4 cm；本研究旨在量化现代重建技术的性能，以确定 HIBEAM 是否能显著提升这一分辨率。

方法论
本研究利用基于 HIBEAM 几何结构的探测器模拟，该结构包含一个半径为 20 cm 的碳靶箔，周围环绕着一个 Ar/CO $_2$ TPC。信号事件使用外围核湮灭模型进行模拟，生成了 $10^6$ 个真值顶点均匀分布在靶箔上的事件。为了压力测试算法，通过在每个事件中注入 0、1、2、4 或 8 条康普顿电子轨迹来创建背景样本。

研究评估了四种不同的顶点重建算法：

Kalman（卡尔曼法）： 一种经典的方案，使用 DBSCAN 进行命中点（hit）聚类，使用卡尔曼滤波器进行轨迹拟合（采用四参数状态），并采用受限于靶箔平面的自适应顶点拟合。它通过确定性退火进行计算，并根据轨迹向靶箔的外推情况进行加权。
TrackLess（无轨迹法）： 一种纯几何方法，避免了显式的轨迹拟合。它将无序的命中点对投影到靶箔平面上，使用 DBSCAN 对投影进行聚类，并将顶点定义为最大簇的质心。它包含一个角度一致性切断条件以拒绝单分支事件。
GraphNeT： 一个实现了开源图神经网络（GNN）框架的方案，该框架最初为 IceCube 开发。它将探测器命中点视为图中的节点，并通过 $k$ -最近邻连接。利用 DynEdge 架构，它通过消息传递学习局部和全局相关性，以回归顶点坐标和带电粒子数。
IterGNN（迭代 GNN 法）： 一个结合了确定性几何步骤和两个 GNN 阶段的混合流水线。它首先进行命中点聚类和直线轨迹拟合，随后进入 TrackGNN 阶段，用于将轨迹分类为信号或背景。接着计算一个加权的靶箔平面种子，随后由 VertexGNN 阶段进行精细化，该阶段预测修正值（ $\Delta x, \Delta y$ ）及每事件不确定度估计。

主要贡献

对比分析： 本文对针对特定低多重度拓扑（HIBEAM TPC）的经典统计方法、纯几何技术和机器学习（ML）方法进行了系统性的比较。
混合架构： IterGNN 链的设计展示了一种既能利用显式几何约束（靶箔平面、轨迹方向），又能利用 GNN 处理轨迹分类和顶点精细化等组合问题的有效方法。
背景压力测试： 研究通过增加注入的康普顿电子背景密度，严格评估了算法的性能，这是零背景搜索的关键因素。
辅助信息： 本文强调，基于机器学习的方法（GraphNeT 和 IterGNN）提供了经典方法所不具备的附加输出，例如单条轨迹的信号概率、事件级轨迹计数以及每事件的顶点不确定度估计。

结果

分辨率： 在无背景情况下（0 个康普顿电子），所有四种方法实现的径向重建误差（ $\Delta r$ $Δ r$ ）中值均在几毫米范围内（4.3 mm 至 6.1 mm）。
- TrackLess 和 GraphNeT 表现出最紧凑的误差分布和最小的 90% 包含半径（12–15 mm），且随着背景多重度的增加，性能降级极小。
- Kalman 显示出巨大的非高斯尾部，且随背景增加而显著增长（在 8 个康普顿电子时，90% 包含半径达到 244 mm）。
- IterGNN 表现居中，在 0 个康普顿电子时中值误差为 5.6 mm，90% 包含半径为 28 mm，在 8 个康普顿电子时增长至 116 mm。
效率： 在存在背景的情况下，经典和混合方法（Kalman, IterGNN）通常比 TrackLess（ $\sim$ 68–70%）具有更高的重建效率（ $\sim$ 80–94%）。IterGNN 和 Kalman 的效率随背景多重度的增加而提高，这可能是由于包含了背景轨迹。
不确定度估计： IterGNN 成功预测了每事件的横向不确定度（ $\sigma_x, \sigma_y$ ），这些不确定度与命中点数量和背景密度相关。
单分支事件： 所有方法最初都拒绝仅有一个重建轨迹的事件以确保顶点可靠性。移除此约束可使所有方法的效率提升至 $\sim$ 100%，但会显著降低分辨率，尤其是尾部部分。

意义与主张
本文得出结论，对于具有 HIBEAM TPC 特征的几何简单事件，经典重建方法在顶点坐标重建的准确性方面与基于机器学习的方法表现相当。 具体而言，在无背景条件下，所有方法的性能中值是相当的，这表明主要的限制因素是信号粒子在束管材料中的多重散射，而非重建算法本身。

然而，作者声称，定制化的机器学习方法提供了除坐标重建之外的独特优势。 它们提供了通过实现的几何或经典方法无法获得的事件形状信息（轨迹分类、轨迹计数和不确定度估计）。这些辅助量被认为对下游分析非常重要。研究表明，未来的工作重点应放在结合这些方法，以同时实现高精度顶点坐标和可靠的事件形状重建，而不是依赖于单一方法。本文并未声称 ML 方法在这一特定拓扑结构下能比经典方法更本质地解决顶点重建问题，而是指出它们提供了对更广泛搜索策略具有价值的互补信息。

类似论文