使用深度神经网络学习强子发射源

窥视微小的宇宙烟花

当质子以接近光速相互碰撞时，会产生一个短暂而微小的新粒子火球。在这场亚原子爆发中隐含着关于自然界最基本作用力之一的信息：将物质粘合在一起的强相互作用。本文展示了现代深度学习技术如何读取来自这些碰撞数据中的细微模式，以揭示粒子诞生的地点与方式——为研究中子星等极端环境下物质行为提供新的线索。

为什么微小距离很重要

强核力将质子和中子束缚在原子核中，并决定从普通原子到死星致密核心的一切性质。物理学家通过数十年的散射实验和理论模型，已经相当好地描绘出两个质子之间的相互作用。但涉及更奇异粒子的相互作用，例如含有奇夸克的重子（hyperon），仍然具有很大不确定性。这些稀有粒子难以直接研究，但在极端密度下对物质行为有 outsized 的影响。为此，研究者转向加速器中的高能碰撞，在那里大量短暂的粒子对被产生，可以用来探查这些相互作用。

把量子波动当作显微镜

在这些实验中，科学家看不到粒子出生地点的直接图像。相反，他们测量粒子对以不同相对动量出现的频率——本质上是它们运动路径的相关强度。一种称为飞米计量学（femtoscopy）的技术，借鉴了射电天文学的思想，将这些相关性与粒子之间的相互作用以及它们发射区域的形状联系起来。传统分析假定发射区呈平滑的钟形云。然而，早期研究暗示真实情况更为复杂：短寿命中间态粒子的衰变可在中心之外生成长尾部，这意味着真实源分布可能远非钟形。

让数据自行描绘图像

作者构建了一种新的数据驱动方法来推断发射区域，而不预先设定其形状。他们从经过检验的质子—质子力模型出发，利用这些模型计算假设源如何影响观测到的相关性。与其选择一个简单的源公式，他们用一个深度神经网络来表示源，该网络以距离为输入，输出质子对在该分离处起源的概率。通过对完整计算过程进行自动微分，他们调整网络的内部参数，使预测的关联曲线尽可能接近实验测量值，同时强制满足诸如平滑性和非负性等基本物理约束。

发现长尾发射源

将该基于神经网络的源与传统的钟形模型比较时，它对大型强子对撞机的质子—质子相关性数据提供了显著更好的描述。恢复出的源具有明显的远程长尾：大多数质子仍在紧凑的中心区域产生，但有相当一部分似乎来自更远的距离。这一模式自然契合许多质子是通过短寿命共振态间接产生、并在衰变前移动一定距离的想法。关键是，网络直接从数据中揭示了这种结构，而研究者无需猜测涉及哪些共振或它们的数量。

用新镜像探测奇异物质

由于奇异重子与质子在质量和夸克成分上相似，团队可以重复使用学得的质子发射谱来分析质子—Lambda（hyperon）对。将这一数据驱动的源与质子—Lambda 力模型结合，他们发现实验相关性偏向相对浅的吸引势——与早期基于第一性原理的量子色动力学格点模拟结果相一致。因此，这种方法提供了一种新的、在很大程度上不依赖假设的途径来约束强相互作用中尚不清楚的相互作用。通俗地说，这项研究表明深度学习能够将细微的量子波动转化为粒子诞生地点的清晰图像，从而锐化我们对强力的认识，并为将来在重离子碰撞中绘制粒子发射区的三维地图铺平道路。

引用: Wang, L., Zhao, J. Learning hadron emitting sources with deep neural networks. Commun Phys 9, 90 (2026). https://doi.org/10.1038/s42005-026-02530-w

关键词: 强核力, 深度学习, 高能碰撞, 飞米计量学, 奇异重子—核子相互作用