照片中的装置，像一只向内凝视的巨眼。一排排感光管环绕着透明球体，等待内部亮起闪光。在江门中微子实验（Jiangmen Underground Neutrino Observatory，简称 JUNO）中，这个球体盛有 20,000 吨液体闪烁体，带电粒子在其中沉积能量时，这种材料便会发光。这项由中国牵头的国际实验位于广东，埋在约 700 米厚的岩层之下，于 2025 年 8 月 26 日开始采集物理数据。[1]
这些能量测量服务于 JUNO 确定中微子质量顺序的研究目标。[1] 对 AI 研究者而言，问题从闪光之后开始：相互作用发生在何处，又留下了多少能量？2021 年和 2022 年发表的几项研究，探索了用机器学习回答这些问题的方法。将这些论文与 JUNO 的初期运行报告对照阅读，可以看到一项要求严苛的应用：模型要学会测量仪器内部发生的事例，而仪器自身的响应也需要测量。[2][3][4][5]
把探测器变成一幅图像
光电倍增管将到达的光转化为电信号。探测器各处收集到的电荷量和光的到达时间，都带有事例的信息。重建则沿着相反方向，从这些观测值推算事例的位置与能量；这个位置在物理上称为顶点。[1][2]
Zhen Qian 及其同事在 2021 年的研究中，比较了决策树和几种神经网络架构。训练与测试使用模拟正电子，动能范围为零至 10 兆电子伏，与 JUNO 的反应堆反中微子信号相关。[2]
其中一种做法是把每支光电倍增管当作一个像素，将各管的信号组合成图像，让神经网络学习图像与相互作用位置之间的联系。[3] 这类计算机视觉颇为特别：通常由相机拍摄的图像，在这里由传感器读数拼成。图像如何组织，决定了模型能从中学到哪些探测器信息。
下一步改进，来自光电倍增管
JUNO 的大型光电倍增管采用两种设计，时间响应各有特点。2022 年 5 月，Zi-Yuan Li 及其同事将两类管的信号分开，作为神经网络的不同输入，并加入第二次命中的时间信息。据他们报告，与此前的输入配置相比，1 MeV 下的顶点分辨率改善了约 9.4%。[3]
评估纳入了电子学效应的模拟，连其中标为“real”的样本也是模拟数据。这项改善对应更窄的位置误差分布，衡量的是定位精度，和识别出多少比例的中微子含义不同。[3]
在这里，对模型有用的区分首先来自硬件：每个信号由哪一类传感器发出，模型需要知道。
一次闪光，模型要记住多少信息？
能量估计展示了另一种做法。在另一项 2022 年的研究中，Arsenii Gavrikov 及其同事考察了一个问题：把传感器读数提炼为经过精心选择的概要信息，能做到哪一步？他们用聚合特征测试提升决策树和全连接神经网络，以此替代将每支光电倍增管的测量值逐一送入精细图像处理模型的做法。[4]
这项研究的训练与测试，同样使用 JUNO 正电子事例的蒙特卡洛模拟。选定的特征组合达到了 1 MeV 下约 3% 的能量分辨率。这个数值描述的是特定模拟条件下重建能量的分布宽度，将其解读为对实际探测器数据达到 97% 的准确率，超出了研究结果的含义。[4]
模型设计由此有了比选用最大网络更值得追问的问题。位置与能量两项任务，各自需要的信息有所不同。对于能量估计，该研究表明，即使大幅压缩测量数据，仍可保留达到目标分辨率所需的信息。[4] 因此，一个实用模型的设计，可以从物理学家的取舍开始：哪些信息应在压缩后保留下来。
实际探测器也有发言权
2021 年的研究者预见到，模型在实际探测器上的预测会出现偏差。他们提出，应检查标定测量结果，视需要将其中一部分用于进一步训练，另一部分留作验证。即便如此，这些测量在能量范围和空间范围的覆盖上仍会留下空缺。[2]
JUNO 于 2025 年 11 月发布的初期性能报告，介绍了放射源和激光器产生的参考信号。科学运行开始前会先做标定，此后每周检查一次。[5]
报告的中心探测器重建章节介绍了 JVertex、OMILREC 和 VTREP，其中包括基于似然的方法；机器学习则单独出现在有关 μ 子径迹的讨论中。[5] 早期神经网络论文确立了一条研究方向，将 JUNO 的全部运行表现归功于这些研究，超出了它们所能证明的范围。
关于材料的一项发现尤其能说明问题。液体闪烁体和水的实测透明度高于模拟采用的数值，更新这些参数有助于模拟再现观测到的光产额。[5] 硬件性能的改善，同样能改变模型在训练中学会识别的环境。
对于中国的科学 AI 研究，JUNO 给出了衡量进展的具体标准：预测经得起与仪器实际表现的对照检验。那张醒目的照片展现了装置的规模。测量上的成果则藏在更细微的地方：把转瞬即逝的闪光转化为有据可查的测量结果，并清楚这条联系中的哪些环节仍待实验证实。
来源
- 中国科学院高能物理研究所，《江门中微子实验正式运行》，2025 年 8 月 27 日；中文一手公告、探测器介绍及内部照片（图 2）。
- Zhen Qian 等，《利用机器学习方法重建 JUNO 中的顶点与能量》，2021 年 1 月，1 月 15 日修订；模拟设置、重建方法，以及第 5.1 节对标定的讨论。
- Zi-Yuan Li 等，《改进配备多种光电倍增管的大型液体闪烁体探测器中基于机器学习的顶点重建》，2022 年 5 月 9 日；按传感器类型区分输入、模拟样本与分辨率改进。
- Arsenii Gavrikov、Yury Malyshkin 和 Fedor Ratnikov，《利用机器学习技术重建大型液体闪烁体探测器中的能量：聚合特征方法》，2022 年；使用人工提炼的概要特征，在模拟数据上估计能量。
- JUNO 合作组，《JUNO 探测器的初期性能结果》，2025 年 11 月 18 日，第 1 版；第 6–7 节涉及标定、重建、光学性质和 μ 子径迹追踪。