在大型科学装置中，面对海量数据与高度复杂的系统结构，机器学习正成为破解效率与精度瓶颈的重要手段。我们希望通过本文系统梳理其代表性应用，展示其如何助力科学家更高效地理解数据、优化装置运行，并展望“自驱动”科学设施的未来发展。

导 读

从探索微观粒子到揭示宇宙结构，大型科学装置已成为推动现代科学发现的关键引擎。然而，数据洪流和系统复杂性正成为科研效率面临的新挑战。如今，机器学习作为智能工具，正在帮助科学家们更高效地运行实验、数据分析，为科学探索带来全新地可能。

随着大科学装备不断向更高能量和更大规模发展，产生的数据越来越多，系统也变得更加复杂。机器学习正成为解决这些难题的有力助手。它在实时触发、事件重建、信号识别、快速模拟、智能控制和数据质量监测等环节展现出巨大潜力，正在推动大型科学装置变得更加高效与智能。

1

实时触发

在大型科学装置中，实时触发是数据处理的第一道“关卡”，需在微秒级延迟内从海量信息中筛选出稀有且有意义的信号。传统的触发方法虽然简单，但灵活性有限。如今，机器学习模型能够识别复杂的多维特征，大大减少遗漏微弱信号的可能。例如，在对撞机实验LHC和Belle II等实验中，机器学习模型已被集成到GPU或FPGA等硬件中，成为触发系统的重要部分。其中，GPU开发灵活、速度快， FPGA则在低延迟和节能方面表现更优。

2

事件重建

事件重建是将探测器采集到的原始信号转化为实际物理量的关键环节，包括粒子鉴别、能量测量和径迹重建等。近年来，深度学习模型，特别是图神经网络(GNNs)和Transformers，能够直接学习复杂的几何与拓扑关系，显著提高了重建的准确性。GNN尤其适合处理探测器中稀疏和多样化的数据，为"粒子流"重建提供了统一方法。在大型中微子实验中，机器学习已经让能量和方向的重建精度提升10-30%。

3

信号识别

在海量背景中找出极为罕见的物理过程，是粒子物理实验的核心挑战之一。例如，在LHC实验中，科学家需要通过“喷注标记（jet tagging）”来判断高能碰撞中喷注的来源。新一代基于GNN和Transformer的算法（如ParticleNet和Particle Transformer），可以直接学习喷注内几十到几百个粒子的关联特征，将背景抑制能力提升约一个数量级，显著增强了希格斯粒子测量的灵敏度。同时，研究者研发了一种整体性（holistic）的端到端分析范式，尝试将整个重建事件作为统一输入交由深度模型学习、进而判断事例种类。不同于依赖人工特征和预设筛选的传统流程，该方法直接从重建层级学习事例全貌、区分信号本底、可大幅提升对撞机实验的科学发现能力。

4

快速模拟

传统的探测器模拟通常采用蒙特卡罗方法（如Geant4），虽然结果精度，但计算量非常大。现在，研究人员利用生成模型（GAN、VAE、扩散模型等）可以大幅提升模拟速度，同时保证精度。经过训练后，这些模型能在毫秒级内生成与Geant4相媲美的样本。与此同时，科学家们还在探索将能量守恒和对称性等物理规律融入生成模型，以确保模拟结果既具备物理合理性又避免系统性偏差。

5

智能调控

像加速器和光源这样的大型科学装置，需要同时优化和协调上百个参数才能稳定运行。现在，强化学习和贝叶斯优化等智能方法正在帮助实现自主调控。例如，在BEPCII对撞机上，深度强化学习已用于碰撞点的快速优化；在LCLS自由电子激光装置上，贝叶斯优化被用于加速参数扫描与脉冲整形过程，大幅提高了运行效率。这些智能技术正在让设备运行从依赖专家经验的“手动调整”，转变为依靠数据驱动的“智能优化”。

6

数据质量监控

要获取高质量的科学数据，必须保证成千上万个探测通道长期稳定运行。现在，无监督和半监督的异常检测算法大大提升了监测的灵敏度。例如，CMS实验的电磁量能器监控系统采用基于自编码器模型，通过学习正常数据的特征，建立“健康”基线，能够实时发现通道增益或噪声的异常变化，提前预警潜在问题，显著提升了系统的可靠性和自动化水平。

总结与展望

机器学习正在成为推动科学装置智能化的重要力量。实践证明，它在高维数据过滤、复杂模式识别及系统优化等方面有着巨大优势。展望未来，研究将更加关注模型的可解释性与对物理规律的一致性，以确保机器学习的推理与决策过程符合科学原理。同时，结合智能控制、快速模拟和实时分析，有望打造能够自我优化、自动运行的“自驱动”科学设施。开发能够跨不同探测器通用的基础模型，还将进一步释放科学装置的潜力，加速重大科研突破。可以预见，机器学习将从辅助工具发展为应对科学复杂性挑战的核心力量。

责任编辑

郑启明   香港中文大学

常   悦   莫干山地信实验室

本文内容来自The Innovation姊妹刊The Innovation Informatics第1卷第1期以Commentary发表的“The Rise of machine learning in large scientific facilities” (投稿: 2025-09-24；接收: 2025-11-05；在线刊出: 2025-11-10)。

DOI:10.59717/j.xinn-inform.2025.100006

引用格式：Qu H., Gao F., Ruan M., et al. (2025). The Rise of machine learning in large scientific facilities. The Innovation Informatics 1:100006.

原文链接：https://www.the-innovation.org/article/doi/10.59717/j.xinn-inform.2025.100006

扫二维码   阅读原文

作者简介

曲慧麟，欧洲核子研究中心物理学家，主要从事希格斯物理、喷注物理及机器学习在高能实验中的应用研究。

高 峰，中国科学院赣江创新研究院青年研究员，研究方向包括粒子物理探测系统与数据处理技术，以及闪烁材料的性能研究。

阮曼奇，中国科学院高能物理研究所研究员。主要从事高能前沿物理、未来对撞机的探测器设计、先进算法研发及人工智能应用。

钱 森，中国科学院高能物理研究所研究员。主要从事大型科学装置核心探测器研发及闪烁材料研究。组织团队成功研制新型光电倍增管，支撑下一代中微子实验建设；牵头成立高密度闪烁玻璃研制合作组，团队成果多次刷新国际纪录。

往期推荐

科学网—[转载]首创临床应用高剂量gp96治疗渐冻症显奇效 | The Innovation Medicine

科学网—[转载]影响未来十年的前沿科技：FT年度发布征集中

科学网—[转载]20251016期刊workshop（深圳站）| The Innovation

科学网—[转载]《创新肿瘤学》即将创刊 | The Innovation Oncology is coming

科学网—[转载]糖尿病防控路在何方？看中国的实践与启示 | The Innovation

科学网—[转载]儿童磁悬浮心室辅助装置D-miniCor 临床应用 | The Innovation

科学网—[转载]“行驶的应急电源”：如何用电动汽车破解极端天气下的城市断电难题？| The Innovation Energy

科学网—[转载]AI解锁中药新纪元：全球首个亿量级草药基因编码天然多样性成分库GNDC问世 | The Innovation

科学网—[转载]干细胞人造胰岛实现83%胰岛素独立：1型糖尿病治疗的新希望与临床转化挑战 | Innovation Medicine

科学网—[转载]《创新信息学》即将创刊 | The Innovation Informatics is coming

科学网—[转载]空天过渡区，神秘太空的探索—物理、化学过程和数值模拟 | The Innovation

科学网—[转载]打通天然矿物空气碳捕集的“任督二脉” | The Innovation Materials

科学网—[转载]木质素缩合新机制助力多样生物基双酚化合物合成 | The Innovation

科学网—[转载]医学人工智能2025：探索无尽的前沿 | The Innovation Medicine

科学网—[转载]DeepSeek：成本革命让大模型不再是少数人的游戏 | The Innovation

科学网—[转载]“拉索”利用宇宙线每日诊脉日地空间磁场 | The Innovation

科学网—[转载]危化品 or 能源，氢能监管走向何方 | The Innovation Energy

科学网—[转载]月球大量开采水的新方法 | The Innovation

科学网—[转载]The Innovation | 2023 Impact Factor = 33.2

科学网—[转载]智能可穿戴血压监测将何去何从？| The Innovation Materials

科学网—[转载]星地激光通信的工程应用：搭建星地信息高速公路 | The Innovation

科学网—[转载]The Innovation入选中国科学院分区表1区

科学网—[转载]强厄尔尼诺爆发助推2023-2024年全球表面温度破纪录及其衍生气候危机 | Innov. Geoscience

科学网—[转载]语言模型助力科学研究的第N种可能：解析现实世界中的配送路线优化问题 | The Innovation

The Innovation 简介

扫二维码 ｜ 关注期刊官微

The Innovation是一本由青年科学家与Cell Press于2020年共同创办的综合性英文学术期刊：向科学界展示鼓舞人心的跨学科发现，鼓励研究人员专注于科学的本质和自由探索的初心。作者来自全球61个国家；已被164个国家作者引用；每期1/5-1/3通讯作者来自海外。目前有200位编委会成员，来自22个国家；50%编委来自海外(含39位各国院士)；领域覆盖全部自然科学。The Innovation已被DOAJ，ADS，Scopus，PubMed，ESCI，INSPEC，EI，中国科学院分区表(1区TOP)等收录。2024年CiteScore为53.4；2024年影响因子为25.7(5 year lmpact Factor=40.2)。2023年6月25-28日，四本姊妹刊(The Innovation Life、The Innovation Geoscience、The Innovation Materials、The Innovation Medicine)联袂创刊；2024年2月26日，第五本姊妹刊The Innovation Energy出版创刊号。这五本姊妹刊已被Google Scholar, CAS, Scopus等数据库收录。秉承“好文章，多宣传”理念，The Innovation刊群在海内外各平台推广作者文章。

期刊官网：

www.the-innovation.org

www.cell.com/the-innovation

期刊投稿（Submission）：

www.editorialmanager.com/the-innovation

商务合作（Marketing）：

marketing@the-innovation.org

The Innovation 姊妹刊

The Innovation

期刊标识

See the unseen & change the unchanged

创新是一扇门，我们探索未知；  

创新是一道光，我们脑洞大开；  

创新是一本书，我们期待惊喜；  

创新是一个“1”，我们一路同行。