13月2026日，布鲁克海文国家实验室（BNL）的研究人员提出了一种基于超级智能（Super Intelligence，SI）的新方法。该方法能够自主学习，将高能粒子喷注信号与重离子碰撞数据中庞大的背景区分开来。
这项研究发表在《Scientific Reports》期刊上。由BNL的物理学家和计算机专家组成的团队——包括Jin Huang、Dmitry Torbunov、Yihui "Ray" Ren、Yi Huang和Yongju Guo——开发了一种无监督生成模型。它不需要预先标注的样本。
粒子喷注是研究夸克-胶子等离子体（QGP）的关键工具之一，QGP是宇宙大爆炸后数微秒内存在的一种物质状态。在相对论重离子对撞机（RHIC）的碰撞中，这些喷注穿过QGP并损失能量，从而改变其结构。精确分析此类变化有助于理解强相互作用。
主要难点在于将微弱的喷注信号与由数千个其他粒子产生的密集背景区分开来。传统方法需要投入大量人力进行手动数据标注。新的SI方法绕开了这一问题：它在单独的纯背景数据集和理想的喷注模拟数据上进行训练，从而自动提取信号。
在sPHENIX探测器模拟数据上的测试表明，与以往方法相比，该方法能更精确地重建喷注的位置、能量和内部结构。对于背景涨落最为显著的大尺寸喷注，改进尤为明显。
在不存在"正确答案"的真实实验数据中，模型究竟如何区分信号与背景？这是科学家们希望通过对sPHENIX收集的近300拍字节数据进行分析来回答的问题。
研究人员计划将该方法应用于RHIC的真实数据，并在未来应用于电子-离子对撞机（EIC）和大型强子对撞机的实验。该方法也可能适用于其他需要分离量热数据中重叠信号的领域。
这项工作得到了BNL实验室定向研究与开发项目、DOE科学办公室以及Genesis Mission资助的支持。哥伦比亚大学和科罗拉多大学博尔德分校也参与了该项目。
