近日，欧洲核子研究中心大型强子对撞机(LHC)紧凑μ子线圈(CMS)实验组取得突破性进展，成功将端到端神经网络技术应用于粒子对撞事件的完整重建。这一革命性方法摒弃了传统依赖手工规则和分段处理的粒子流算法，通过单一深度学习模型直接处理探测器原始信号，实现了粒子识别精度与处理效率的同步跃升。
在核物理前沿实验中，每秒上亿次的质子-质子对撞产生的海量探测器信号，必须被精确解析为基本粒子信息。传统算法虽经数十年优化，但其复杂的规则体系和串行处理模式已难以满足未来实验需求。新技术则利用模拟训练数据，使神经网络自主掌握从径迹探测器、量能器到μ子室的全系统响应模式，在保持重建质量的同时显著简化处理流程。
验证测试表明，新型神经网络重建器在喷注重建等关键任务中展现出卓越性能。在对顶夸克产生事件的模拟分析中，该模型在30-100 GeV能区将喷注能量分辨率提高了10%-20%，这一改进直接关系到希格斯粒子性质测量、新物理寻找等核心物理目标的实现精度。更值得关注的是，该算法在GPU加速架构下展现出强大优势，在NVIDIA L4平台上实现单事件20毫秒的处理速度，较传统CPU方案提升5倍以上，为应对高亮度LHC时代的数据洪流提供了关键技术支撑。
该突破标志着高能核物理实验方法论的重要转型。随着大型强子对撞机在2030年升级至高亮度运行模式，对撞事件率将提升五倍，传统重建方法面临的挑战急剧增加。神经网络重建技术不仅能够有效处理高度重叠的事件，其数据驱动的特性更有利于挖掘复杂背景中的稀有信号，为探索超出标准模型的新物理现象开辟了新的技术路径。
目前，CMS合作组正在将该技术集成至正式数据处理流程，并探索在ATLAS、LHCb等其他大型实验中的推广应用。这项源于核物理实验需求的技术创新，也将为未来电子-离子对撞机等下一代核物理大科学装置的数据处理系统设计提供重要参考。
