GNN-based track reconstruction for MUonE experiment

在现代物理学的广袤版图中，科学家们不断寻找着他们最成功的理论——标准模型——之基础中的裂缝。这一理论充当了宇宙在微观尺度下运作的规则书，但它仍留下了一些深刻的未解之谜。其中一个最持久的谜团涉及缪子（muon），这是一种与电子相似但质量大得多的粒子。几十年来，实验一直在测量这种粒子在磁场中摆动的特性，即其反常磁矩。测量结果一致显示，它与标准模型的预测之间存在微小且顽固的差异。这一差距表明，未知的力或粒子可能正在影响缪子，暗示着一个等待被发现的更深层的现实维度。然而，为了证实这一点，物理学家需要以极高的精度测量这种效应，这要求他们计算出由于粒子与空间真空相互作用而产生的特定贡献。由于这种计算使用传统数学方法极其困难，因此研究人员提出了一个名为 MUonE 的新实验，旨在通过观察缪子如何与电子发生散射来直接测量它。

MUonE 实验面临的挑战不仅在于物理学本身，还在于其必须处理的海量数据。该实验每秒向目标发射频率高达 4000 万次的缪子束。在这种速度下，计算机系统必须在极短的时间内决定哪些碰撞是值得关注的，哪些仅仅是背景噪声。如果系统反应太慢，它会错过那些可能揭示新物理学的稀有事件；如果过滤过于激进，它可能会丢弃科学家正在寻找的信号。传统的这类数据分类方法涉及复杂的逐步算法，试图从硅传感器留下的微小信号中拼凑出粒子的路径。虽然这种方法很精确，但计算量巨大，难以跟上束流持续不断的节奏。为了解决这个问题，波兰的一个研究小组转向了一种不同的智能方式：一种设计为以“连接网络”而非“线性指令列表”进行思考的机器学习系统。

研究人员开发了一种使用图神经网络（Graph Neural Network）的新方法，这是一种擅长理解物体间关系的类型的人工智能。该系统并不将数据视为数字网格或图像，而是将粒子探测器视为一张由点和线组成的地图。每个点代表粒子撞击传感器的位置，而线则代表连接这些撞击点的可能路径。网络的任务是弄清楚哪些线是粒子经过的真实路径，哪些仅仅是随机的巧合。在传统方法中，计算机可能会尝试构建所有可能的路径，然后检查其是否合理，随着粒子数量的增加，这个过程会变得极其缓慢。然而，新系统会同时观察整个连接网络，学习识别有效粒子轨迹的特定形状。

为了测试这一想法，研究团队使用了模拟数据，这些数据模仿了 MUonE 实验的条件，包括传感器的特定排列以及缪子和电子的行为。他们在成千上万个此类模拟事件上训练该网络，教会它区分真实的粒子路径和虚假的连接。结果令人瞩目。该网络成功识别出了正确路径，误差率低于 1%，这一准确度水平足以媲美最优秀的传统方法。更重要的是，它的处理速度惊人。旧算法在高性能计算机上每秒只能处理约 3,400 个事件，而新的神经网络每秒可以处理超过 31,000 个事件。这代表了十倍的速度提升，有效地将瓶颈转化为了顺畅的流动。

除了寻找路径之外，研究人员还展示了该系统能够区分粒子本身的能力。由于电子比缪子轻得多，它们在碰撞时会以更锐利的角度弹开。网络学会了捕捉这些散射角度中的细微差别，从而正确识别一条轨迹属于电子还是缪子。尽管在这些识别案例中出现了约 12% 的错误，但对于仍处于早期阶段的系统来说，这一性能表现已颇具前景。这种能够同时进行轨迹重建和粒子识别的能力表明，这种方法可以取代数据分析流程中的多个独立步骤。

这项工作的意义在于它改变高能物理实验运行方式的潜力。通过将复杂的排序任务从“离线阶段”（即科学家在实验结束后分析结果的阶段）转移到“在线阶段”（即做出实时决策的阶段），MUonE 实验可以捕获更多且更纯净的稀有事件样本。研究人员强调，尽管他们的结果是基于模拟的，但该方法已准备好在即将进行的实验测试运行中接受真实数据的检验。如果该系统在真实世界数据上的表现能如模拟实验般出色，它将能提供必要的速度和精度，从而最终解开缪子摆动的谜团，并可能为通往超越我们现有认知的新物理学领域打开一扇窗。