笥課鸴煕1. 项目概述：当图神经网络遇上高能物理
去年在CERN访问时，有位实验物理学家向我展示了一组令人困惑的探测器数据——在标准模型预测之外的异常能量沉积模式。这让我意识到，传统分析方法在应对LHC每秒产生的百万级对撞事件时已显疲态。而图神经网络（GNN）这种能直接处理非欧几里得数据结构的工具，或许正是破解暗物质信号识别难题的新钥匙。
这个项目本质上构建了一个面向粒子对撞事件的动态图神经网络框架，专门用于捕捉探测器数据中那些"不寻常"的相互作用模式。与常规的CNN或RNN不同，GNN能够保留探测器各组件间的几何关系和物理依赖，这正是识别微弱异常信号的关键所在。
需要模型API调用？ 免费领10W Token，多模型网关一键接入 Claude、DeepSeek 等主流模型。
2. 核心设计思路与技术选型
2.1 为什么选择图神经网络？
在ATLAS或CMS这样的粒子探测器中，每个对撞事件本质上就是一个动态图结构：
- 节点：追踪器单元、量能器晶体等探测器组件
- 边：粒子径迹、能量沉积的空间关联
- 节点特征：沉积能量、时间信息、粒子类型概率
- 边特征：空间距离、动量传递、拓扑连接
传统方法需要先进行人工特征工程（如jet聚类、缺失横动量计算等），而GNN可以直接端到端处理原始探测器数据。我们测试了三种主流架构：
| 模型类型 | 准确率 | 训练速度 | 可解释性 |
|---|---|---|---|
| GraphSAGE | 82.3% | ★★★★ | ★★ |
| GAT | 85.7% | ★★★ | ★★★ |
| EdgeConv | 88.2% | ★★ | ★★★★ |
最终选择EdgeConv作为基础架构，因其能显式建模粒子级相互作用——这对识别暗物质候选事件至关重要。
2.2 数据预处理流水线
从原始探测器数据到图结构的转换需要特殊处理：
- 顶点重建：将量能器塔和追踪器命中聚类为物理对象
- 动态建图：基于空间邻近性（ΔR<0.4）和能量相关性建立边连接
- 特征工程：
- 节点特征：pT, η, φ, PID概率
- 边特征：ΔR, 能量流方向, 共同顶点概率
- 数据增强：
- 随机旋转（保持L