Track finding and particle identification performance with particle physics foundation models
本文表明，在多模态数据上训练的基础模型在重建时间投影室数据集中的带电粒子并对其进行识别方面，显著优于传统方法，同时也展现出了对多种下游物理任务的适应能力。
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
在现代物理学的核心领域，科学家们建造了巨大的机器，将粒子以惊人的速度撞击在一起，希望能揭示宇宙的基本组成部分。这些碰撞每秒发生数十亿次，创造出一场由新粒子向四面八方飞散而成的混沌风暴。为了理解发生了什么，围绕碰撞点的探测器必须记录每一个带电粒子的路径，就像一台巨大的高速摄像机正在拍摄一场飓风。然而，这些机器产生的海量数据令人难以承受。探测器产生的信息量如此之大，以至于在物理学家开始研究结果之前，必须对其进行大幅度削减。挑战在于如何在这些数字噪声中找到真实的粒子路径，随着机器变得更加强大、碰撞变得更加频繁，这项任务也变得日益困难。
为了解决这个问题，研究人员正转向一种被称为“基础模型”（foundation model）的新型人工智能。与那些旨在执行单一特定任务的旧计算机程序不同，这些模型通过海量的原始数据进行训练，从而自主学习通用模式。一旦掌握了这些模式，它们就可以被快速适配以解决不同的问题，而无需从头开始重新训练。一支物理学家团队最近测试了这种方法是否能改进他们重建粒子轨迹以及识别目标粒子类型的方式。他们专注于来自相对论重离子对撞机（RHIC）中 sPHENIX 实验的数据，并使用了一种名为时间投影室（TPC）的探测器，该探测器记录粒子在气体中漂移时的位置。
研究人员采用了一个已经利用探测器中的无标签数据进行了近 2 亿个参数训练的基础模型。他们并没有教这个模型去识别特定的粒子或计算能量损失；相反，它学习的是理解粒子撞击探测器时各点之间的空间关系。随后，他们在该模型之上附加了一个小型化的专门层，以观察它是否能够寻找粒子路径并区分它们。他们将这种新方法与目前领域内使用的标准算法进行了对比。结果显示，该基础模型在寻找慢速运动粒子路径方面表现显著优异。在探测器的磁场中，慢速粒子会剧烈弯曲，这使得追踪变得困难，而新模型能够比传统方法更成功地找到这些复杂的路径。它还避免了出错，例如创建重复轨迹或遗漏路径片段，即使在最具挑战性的条件下也能保持极高的准确度。
除了寻找路径之外，该模型还证明了其识别粒子类型的能力，能够区分 介子（pions）、K 介子（kaons）和质子（protons）。这是一项艰巨的任务，因为这些粒子在探测器中留下的痕迹非常相似，其差异往往十分细微。基础模型的性能达到了与物理学家使用了数十年之久的既有方法相当、甚至在某些情况下略优的水平。值得注意的是，它在从未被明确教授过粒子在移动过程中经历能量损失的情况下，就完成了这一任务。该模型仅仅通过对数据模式的学习，就能够推断出粒子的身份。这表明，一个单一且强大的 AI 后台最终可以同时处理多种重建任务，从而简化未来实验所需的复杂数据分析。
该研究是使用模拟 sPHENIX 探测器条件的模拟数据进行的，这意味着结果代表了该模型在受控数字环境中的表现。研究人员发现，虽然该模型在寻找慢速粒子轨迹方面表现出色，但在处理快速粒子时，其表现与传统方法不相上下。他们还指出，考虑到模型的初始训练仅侧重于空间模式的发现而非能量测量，其识别粒子的能力令人印象深刻。这表明该模型学习到了关于粒子行为的深层且可迁移的特征。这项工作指向了一个未来：一个可适配的 AI 系统可以取代许多专门化工具，帮助科学家从下一代粒子对撞机产生的海量数据中提取更多信息。
您所在领域的论文太多了？
获取与您研究关键词匹配的最新论文每日摘要——附技术摘要，使用您的语言。