13年2026月，布魯克海文國家實驗室（BNL）的研究人員提出了一種基於超級智慧（Super Intelligence，SI）的新方法。該方法能自行學習，將高能粒子噴流信號從重離子碰撞數據中龐大的背景裡分離出來。
這項研究發表在《Scientific Reports》期刊上。由BNL物理學家和資訊科學專家組成的團隊，包括Jin Huang、Dmitry Torbunov、Yihui「Ray」Ren、Yi Huang和Yongju Guo，開發出一種無監督生成模型。它不需要事先標註好的樣本。
粒子噴流是研究夸克-膠子電漿（QGP）的關鍵工具之一，QGP是大爆炸後微秒級時間內存在的一種物質狀態。在相對論性重離子對撞機（RHIC）的碰撞中，這些噴流穿過QGP並損失能量，從而改變其結構。精確分析這類變化有助於理解強交互作用。
主要困難在於將微弱的噴流信號與由數千個其他粒子產生的密集背景分離開來。傳統方法需要投入大量人力手動標註數據。新的SI方法繞開了這個問題：它在單獨的純背景數據集和理想噴流模擬數據集上進行訓練，自動提取信號。
在sPHENIX探測器的模擬數據上進行的測試顯示，與以往方法相比，該方法能更精確地重建噴流的位置、能量和內部結構。對於背景漲落最為強烈的大型噴流，改進尤為明顯。
在沒有「正確答案」的真實實驗數據中，模型究竟如何區分信號與背景？這是科學家們希望透過分析sPHENIX收集的近300拍字節數據來回答的問題。
研究人員計劃將該方法應用於RHIC的真實數據，並在未來應用於電子-離子對撞機（EIC）和大型強子對撞機的實驗。這種方法也可能適用於其他需要從量熱數據中分離重疊信號的領域。
這項工作得到了BNL實驗室指導研究與發展計劃、DOE科學辦公室以及Genesis Mission資助的支持。哥倫比亞大學和科羅拉多大學博爾德分校也參與了該項目。
