1. 项目概述当机器学习遇见宇宙线物理在粒子物理与天体物理的前沿我们常常需要从海量的、充满噪声的数据中寻找那些极其微弱却至关重要的信号。这就像在狂风暴雨的夜晚试图听清远处一根针落地的声音。我参与AMS-02阿尔法磁谱仪国际合作项目多年一个核心挑战就是如何从国际空间站上收集的庞杂宇宙线数据中精准地识别出单电荷粒子比如质子、氘核乃至其反物质粒子。这些粒子的丰度差异巨大氘核相对于质子而言极其稀有而寻找反氘核更是探测暗物质的“黄金通道”。传统的“切割式”分析方法依赖于物理学家手动设置一系列阈值来筛选数据在面对单电荷粒子在切伦科夫探测器中产生的微弱信号通常只有5-6个光子时往往力不从心要么误杀大量真实信号要么让过多背景噪声蒙混过关。粒子识别的本质是通过测量粒子的动量或刚度和速度结合其电荷计算出粒子的质量从而像“指纹鉴定”一样区分出不同种类的粒子。AMS-02上的切伦科夫探测器正是测量速度的关键部件。然而单电荷粒子产生的切伦科夫光环非常暗淡极易被探测器内部产生的次级粒子、散射光子等背景噪声所污染导致速度重建错误质量分布出现严重拖尾将稀有信号淹没。近年来机器学习尤其是多层感知器这类深度学习模型为我们提供了全新的工具。它不依赖于人工预设的线性或简单非线性边界而是能够从数十个甚至上百个探测器变量中自动学习出区分信号与背景的复杂、高维模式。本文将深入拆解我们如何将MLP-BFGS算法应用于AMS-02的RICH探测器数据优化单电荷粒子的识别。我会从探测器原理和挑战讲起逐步深入到MLP模型的选择、训练变量的筛选、训练策略的制定最后分享在实际数据处理中的调参心得和避坑指南。无论你是对高能物理数据分析感兴趣的初学者还是正在寻找复杂模式识别解决方案的从业者希望这篇来自一线的实战总结能给你带来启发。2. 核心挑战为什么单电荷粒子识别如此之难要理解机器学习带来的变革首先必须清楚传统方法面临的瓶颈。这一切的根源在于探测器物理和宇宙线环境的特殊性。2.1 AMS-02探测器系统与RICH的工作原理AMS-02是一个安装在国际空间站上的精密磁谱仪其核心目标包括寻找反物质、探测暗物质和精确测量宇宙线成分。它不是一个单一的传感器而是一个由多个子探测器构成的复杂系统像一个精密的“宇宙线CT机”。永久磁体使带电粒子路径发生偏转硅微条跟踪器精确测量其轨迹曲率从而计算出粒子的动量/刚度Rp/Z。飞行时间探测器通过粒子穿过上下两层闪烁体的时间差来测量速度β但其分辨率对于高质量分辨而言还不够精细。关键的速度精密测量任务落在了环形成像切伦科夫探测器身上。RICH的基本原理是当带电粒子的速度超过光在介质中的相速度时即v c/n会发出一种特殊的电磁辐射——切伦科夫光这些光以特定的锥角θ_c arccos(1/βn)向前传播。RICH探测器通过测量这个光环的半径和光子总数就能反推出粒子的速度β和电荷Z。结合跟踪器测得的刚度R粒子质量m便可由公式 m RZ / (βγ) 计算得出。2.2 单电荷粒子识别的“阿喀琉斯之踵”理论很完美但现实很骨感。问题就出在切伦科夫光的产额上它正比于粒子电荷的平方∝ Z^2。这意味着一个铁核Z26产生的光子数是一个质子Z1的676倍对于单电荷粒子其在RICH的NaF氟化钠和Aerogel气凝胶辐射体中平均仅能产生约5-6个有效光子。注意这5-6个光子还不是都能被完美探测。光子需要被光电倍增管PMT阵列捕捉并且至少需要3个光子才能拟合出一个光环。这本身就使得有效事件率大大降低。更棘手的是背景噪声它们主要来自几个方面次级粒子与δ电子高能粒子与探测器物质如下层跟踪器发生相互作用产生次级粒子或击出δ电子。这些粒子也可能进入RICH产生切伦科夫光形成与主粒子轨迹不相关的虚假光子点。光子散射特别是在气凝胶辐射体中光子会发生严重的散射导致其到达PMT的位置偏离理论预期形成与光环不相关的“弥散本底”。其他探测器中的混淆例如跟踪器中的电荷误判将负电荷重建为正电荷、TOF中的错误时间测量等都会将错误的信息输入给RICH的重建算法。这些效应共同导致了一个严重后果在重建出的粒子质量分布直方图中本该是尖锐的质子峰或氘核峰其低质量侧会出现一个长长的“尾巴”。这个尾巴就是错误重建的背景事件它们会严重污染稀有信号如氘核的样本。传统的“切割”方法比如要求光子数大于某个值、环拟合的χ2小于某个值等是一种“一刀切”的策略。为了提高纯度减少背景你不得不提高切割阈值但这会牺牲掉大量真实的信号事件效率降低反之为了保住效率纯度就会下降。在寻找像反氘核这样可能每年只有几个候选体的事件时这种权衡是难以接受的。3. 方案选型为什么是多层感知器面对高维、非线性、信噪比极低的数据我们需要的分类器必须具备强大的非线性建模能力和特征自动提取能力。我们评估过多种机器学习模型包括更传统的Boosted Decision Tree最终选择多层感知器作为核心模型是基于以下几层考量3.1 MLP的核心优势MLP是一种前馈人工神经网络由输入层、若干隐藏层和输出层构成。其核心优势在于通用近似定理只要隐藏层拥有足够多的神经元一个MLP可以以任意精度逼近任何连续函数。这意味着它能够刻画我们数据中信号与背景之间复杂的、非线性的决策边界这种边界可能是多维空间中的一个扭曲曲面远非简单的直线或决策树组合所能描述。与BDT相比MLP在处理连续型特征和特征间复杂的交互作用时理论上更具灵活性。BDT通过一系列“是/否”问题构建模型而MLP的每个神经元都对所有输入进行加权求和并施加非线性激活函数如ReLU, Sigmoid这种结构更类似于一个高度非线性的回归器能产生一个0到1之间的连续输出分数非常适合作为事件是信号如氘核的概率估计。3.2 BFGS优化器加速训练的关键神经网络的训练本质上是寻找一组最优权重参数以最小化损失函数如交叉熵。最经典的训练算法是反向传播结合梯度下降。然而对于我们的问题数据集庞大特征维度较高标准的随机梯度下降可能收敛缓慢且容易陷入局部极小值。我们选择了Broyden–Fletcher–Goldfarb–Shannon算法作为优化器。BFGS是一种拟牛顿法它通过近似计算损失函数的二阶导数信息海森矩阵的逆来实现更快速、更稳定的收敛。简单类比梯度下降只知道“下坡”的方向和坡度一阶导数而BFGS还能感知地形的“弯曲程度”二阶导数从而能预测更优的下坡路径更少的迭代步数到达谷底。这对于在大型物理数据集上训练神经网络至关重要能显著节省计算资源和时间。3.3 工具链选择TMVA within ROOT在粒子物理领域ROOT数据分框架是事实上的标准而TMVA是其内建的多变量分析工具包。选择TMVA实现MLP-BFGS有三大好处生态无缝集成我们的仿真数据和真实数据都以ROOT格式存储TMVA可以直接处理这些TTrees无需繁琐的数据格式转换。流程标准化TMVA提供了从数据预处理、模型训练、验证到应用的一整套标准化流程便于在大型合作组内复现和验证结果。性能经过验证TMVA中的MLP实现经过了高能物理社区多年的测试和优化其稳定性和可靠性有保障。4. 实战构建用于粒子识别的MLP分类器理论谈完进入实战环节。如何将一个MLP模型真正用于AMS-02的粒子识别这个过程充满了细节和抉择。4.1 训练样本与标签定义机器学习模型需要“教师信号”。我们使用基于GEANT4的AMS-02全探测器模拟软件来生成训练样本。模拟软件可以精确地模拟粒子如质子、氘核与探测器材料的相互作用以及探测器的响应并生成与真实数据格式完全一致的“仿真数据”。标签定义是第一步也是关键一步。对于质子样本我们如何定义“信号”和“背景”我们不能简单地将所有模拟质子都视为信号因为模拟中也会包含由于探测器效应而重建错误的事件。我们的策略是基于RICH本身的重建质量对于一个模拟的质子事件如果其重建质量落在质子真实质量0.938 GeV/c²的±2σ范围内例如0.75 - 1.12 GeV/c²我们将其标记为“信号”标签为1。反之如果重建质量落在此范围之外则说明该事件在RICH中受到了严重背景污染重建失败我们将其标记为“背景”标签为0。对于氘核样本则采用类似的定义围绕氘核质量1.875 GeV/c²设定窗口。实操心得这个“基于重建质量定义标签”的方法至关重要。它让模型学习的目标直接对准了我们最终想要解决的问题——区分正确的质量重建和错误的质量重建。如果直接用粒子生成类型如MC truth作为标签模型可能会去学习一些与探测器响应无关的、生成层面的特征导致在真实数据上泛化能力下降。4.2 特征工程给模型提供什么“线索”特征选择直接决定了模型性能的天花板。我们并非将探测器所有原始信息都扔给模型而是基于物理理解挑选出那些对区分“干净事件”和“污染事件”最敏感的变量。主要来自三个子系统跟踪器相关特征粒子速度β_TRK由跟踪器轨迹长度和TOF时间联合重建的速度。当RICH重建受到污染时该速度与RICH速度之间可能出现不一致。轨迹拟合质量如χ2/ndf。一个被次级相互作用干扰的粒子其轨迹拟合的χ2值通常会变差。电荷测量的一致性跟踪器多层独立测量的电荷值是否一致。飞行时间探测器相关特征TOF时间测量质量四个TOF层击中时间的一致性。背景事件可能导致时间信息异常。上下TOF速度的一致性由上、下TOF分别计算的速度是否吻合。RICH探测器内部特征重建电荷Q_RICH由收集到的总光强重建的电荷。背景事件可能导致电荷重建值偏离1。环拟合的Kolmogorov概率这是一个衡量观测到的光子分布与理想切伦科夫环分布吻合程度的统计量。值越接近1吻合度越好。背景事件通常具有很低的Kolmogorov概率。光环光子的空间分布例如光子点相对于拟合环的径向偏差的均值和方差。非环关联光子数远离拟合环的光子数量是散射本底的直接度量。我们将这些特征标准化减均值除以标准差后输入MLP的输入层。图5原论文展示了两个典型特征跟踪器速度与Kolmogorov概率在信号和背景样本中的分布差异可以看到明显的分离趋势这证实了特征的有效性。4.3 网络结构设计与训练我们使用TMVA提供的MLP-BFGS实现。网络结构需要谨慎设计输入层神经元数等于我们选择的特征数量例如20个。隐藏层我们从包含一个隐藏层开始尝试神经元数量在特征数量的1到2倍之间如30-50个。通过交叉验证来防止过拟合。激活函数通常使用双曲正切或ReLU。输出层一个神经元使用Sigmoid激活函数输出值在0到1之间代表事件是“信号”的概率。训练将模拟数据集按比例如70:30划分为训练集和测试集。使用BFGS优化器最小化交叉熵损失函数。训练过程中我们密切监控模型在测试集上的性能一旦性能不再提升或开始下降过拟合迹象即提前停止训练。训练完成后我们会绘制接收者操作特征曲线。ROC曲线的纵轴是信号效率横轴是背景误判率1 - 背景拒绝率。曲线下面积越大说明分类器整体性能越好。如图6所示我们的MLP模型在NaF和Aerogel两种辐射体上都能在保持80-85%信号效率的同时实现极高的背景拒绝率超过90%。5. 模型应用与结果分析从仿真到真实数据模型在仿真数据上表现优异只是第一步真正的考验在于处理真实的AMS-02数据。5.1 阈值选择与事件筛选MLP输出一个0到1的分数。我们需要选择一个阈值来做出二元分类决策分数高于阈值的事件判为信号低于则判为背景。如何选择这个阈值我们追求的是在粒子物理分析中常用的一个指标显著性通常定义为 S/√(SB)其中S是信号事件数B是背景事件数。我们会在测试集上计算不同MLP输出阈值对应的显著性。如图7所示显著性随阈值变化会有一个最大值。这个最大值对应的阈值大约在0.8左右就是我们的最优工作点。选择这个阈值意味着我们能在统计意义上最显著地将信号从背景中凸显出来。5.2 在真实数据上“显影”我们将训练好的MLP-BFGS模型应用于AMS-02在2011年至2021年期间收集的真实数据。处理流程是对每一个通过基础筛选的宇宙线事件提取相同的特征集输入模型得到MLP分数然后应用我们选定的阈值如0.8进行切割。图8展示了应用MLP切割前后的质量分布对比。蓝色直方图是未应用MLP切割的所有事件可以看到在质子峰~0.94 GeV/c²右侧氘核区域~1.88 GeV/c²被一个巨大的连续本底所覆盖完全看不到任何峰值结构。红色直方图是应用MLP切割后保留的事件。令人振奋的是一个清晰的氘核峰在预期的质量位置浮现出来这表明MLP模型成功地剔除了绝大部分导致错误质量重建的背景事件极大地提高了样本的纯度使得原本被淹没的稀有信号得以“显影”。避坑指南将仿真训练的模型用于真实数据必须警“仿真-数据差异”。我们的策略是特征选择尽可能使用对探测器模拟不确定性不敏感的特征如基于统计量的特征Kolmogorov概率相对差异特征等避免绝对刻度高度依赖的特征。数据驱动校正利用真实数据中已知的、丰富的粒子如质子样本检查MLP分数在这些样本上的分布是否与仿真一致。如果出现系统性偏移可能需要采用域适应技术或对输出进行校准。保守评估最终物理结果的系统误差中必须包含模型因仿真-数据差异可能引入的不确定性。6. 经验总结与未来展望回顾整个项目将MLP-BFGS应用于AMS-02的单电荷粒子识别是一次成功的跨学科实践。其核心价值在于它没有改变物理原理而是优化了我们从复杂数据中提取物理信息的“算法”极大地提升了探测器的“洞察力”。我个人在实际操作中的几点深刻体会物理理解指导特征工程机器学习不是黑箱的借口。最有效的特征往往源于对探测器物理和背景来源的深刻理解。与探测器专家紧密合作理解每一个变量的物理意义是构建高性能模型的基础。盲目地投入大量原始数据效果往往不如精心挑选的十几个物理意义明确的特征。仿真数据的质量是天花板机器学习模型的上限由训练数据决定。我们必须投入大量精力验证和优化GEANT4模拟的准确性包括材料描述、物理过程列表、电子学响应模拟等。任何仿真与现实的偏差都会在模型迁移到真实数据时被放大。模型复杂度与可解释性的平衡MLP虽然强大但其决策过程相对难以解释。在粒子物理领域结果的可复现性和可理解性至关重要。我们除了看最终的ROC曲线和显著性还会通过特征重要性排序例如通过随机打乱某个特征看模型性能下降程度和二维分布图来侧面理解模型依赖了哪些信息。有时一个稍简单但更可解释的模型如BDT可能是合作组内更易被接受的选择。系统工程化一个研究原型要变成合作组公认的、可重复使用的分析工具需要做大量的工程化工作编写清晰的文档、封装可配置的训练和应用脚本、将模型集成到合作组的统一分析框架中、制定版本控制流程等。展望未来这项工作只是起点。我们可以从几个方向继续深化更先进的网络架构可以尝试卷积神经网络来处理RICH中光子点的二维空间分布图像或图神经网络来处理探测器击中点之间的拓扑关系可能能捕捉到更微妙的模式。端到端学习绕过传统的、分步式的特征提取和重建流程尝试用深度学习模型直接从未经处理的探测器原始信号如PMT的ADC/TDC数据中同时完成粒子识别和物理量如质量的回归。无监督/半监督学习用于在真实数据中自动发现异常事件或未知的信号这在对新物理的探索中可能尤为重要。将机器学习深度融入高能物理数据分析已成必然趋势。它不仅是处理海量数据的工具更是拓展我们物理发现能力的新感官。这次在AMS-02上优化单电荷粒子识别的实践为我们在更广阔的粒子天体物理课题中应用人工智能技术积累了宝贵的经验与信心。
MLP-BFGS算法在宇宙线单电荷粒子识别中的应用与实战
1. 项目概述当机器学习遇见宇宙线物理在粒子物理与天体物理的前沿我们常常需要从海量的、充满噪声的数据中寻找那些极其微弱却至关重要的信号。这就像在狂风暴雨的夜晚试图听清远处一根针落地的声音。我参与AMS-02阿尔法磁谱仪国际合作项目多年一个核心挑战就是如何从国际空间站上收集的庞杂宇宙线数据中精准地识别出单电荷粒子比如质子、氘核乃至其反物质粒子。这些粒子的丰度差异巨大氘核相对于质子而言极其稀有而寻找反氘核更是探测暗物质的“黄金通道”。传统的“切割式”分析方法依赖于物理学家手动设置一系列阈值来筛选数据在面对单电荷粒子在切伦科夫探测器中产生的微弱信号通常只有5-6个光子时往往力不从心要么误杀大量真实信号要么让过多背景噪声蒙混过关。粒子识别的本质是通过测量粒子的动量或刚度和速度结合其电荷计算出粒子的质量从而像“指纹鉴定”一样区分出不同种类的粒子。AMS-02上的切伦科夫探测器正是测量速度的关键部件。然而单电荷粒子产生的切伦科夫光环非常暗淡极易被探测器内部产生的次级粒子、散射光子等背景噪声所污染导致速度重建错误质量分布出现严重拖尾将稀有信号淹没。近年来机器学习尤其是多层感知器这类深度学习模型为我们提供了全新的工具。它不依赖于人工预设的线性或简单非线性边界而是能够从数十个甚至上百个探测器变量中自动学习出区分信号与背景的复杂、高维模式。本文将深入拆解我们如何将MLP-BFGS算法应用于AMS-02的RICH探测器数据优化单电荷粒子的识别。我会从探测器原理和挑战讲起逐步深入到MLP模型的选择、训练变量的筛选、训练策略的制定最后分享在实际数据处理中的调参心得和避坑指南。无论你是对高能物理数据分析感兴趣的初学者还是正在寻找复杂模式识别解决方案的从业者希望这篇来自一线的实战总结能给你带来启发。2. 核心挑战为什么单电荷粒子识别如此之难要理解机器学习带来的变革首先必须清楚传统方法面临的瓶颈。这一切的根源在于探测器物理和宇宙线环境的特殊性。2.1 AMS-02探测器系统与RICH的工作原理AMS-02是一个安装在国际空间站上的精密磁谱仪其核心目标包括寻找反物质、探测暗物质和精确测量宇宙线成分。它不是一个单一的传感器而是一个由多个子探测器构成的复杂系统像一个精密的“宇宙线CT机”。永久磁体使带电粒子路径发生偏转硅微条跟踪器精确测量其轨迹曲率从而计算出粒子的动量/刚度Rp/Z。飞行时间探测器通过粒子穿过上下两层闪烁体的时间差来测量速度β但其分辨率对于高质量分辨而言还不够精细。关键的速度精密测量任务落在了环形成像切伦科夫探测器身上。RICH的基本原理是当带电粒子的速度超过光在介质中的相速度时即v c/n会发出一种特殊的电磁辐射——切伦科夫光这些光以特定的锥角θ_c arccos(1/βn)向前传播。RICH探测器通过测量这个光环的半径和光子总数就能反推出粒子的速度β和电荷Z。结合跟踪器测得的刚度R粒子质量m便可由公式 m RZ / (βγ) 计算得出。2.2 单电荷粒子识别的“阿喀琉斯之踵”理论很完美但现实很骨感。问题就出在切伦科夫光的产额上它正比于粒子电荷的平方∝ Z^2。这意味着一个铁核Z26产生的光子数是一个质子Z1的676倍对于单电荷粒子其在RICH的NaF氟化钠和Aerogel气凝胶辐射体中平均仅能产生约5-6个有效光子。注意这5-6个光子还不是都能被完美探测。光子需要被光电倍增管PMT阵列捕捉并且至少需要3个光子才能拟合出一个光环。这本身就使得有效事件率大大降低。更棘手的是背景噪声它们主要来自几个方面次级粒子与δ电子高能粒子与探测器物质如下层跟踪器发生相互作用产生次级粒子或击出δ电子。这些粒子也可能进入RICH产生切伦科夫光形成与主粒子轨迹不相关的虚假光子点。光子散射特别是在气凝胶辐射体中光子会发生严重的散射导致其到达PMT的位置偏离理论预期形成与光环不相关的“弥散本底”。其他探测器中的混淆例如跟踪器中的电荷误判将负电荷重建为正电荷、TOF中的错误时间测量等都会将错误的信息输入给RICH的重建算法。这些效应共同导致了一个严重后果在重建出的粒子质量分布直方图中本该是尖锐的质子峰或氘核峰其低质量侧会出现一个长长的“尾巴”。这个尾巴就是错误重建的背景事件它们会严重污染稀有信号如氘核的样本。传统的“切割”方法比如要求光子数大于某个值、环拟合的χ2小于某个值等是一种“一刀切”的策略。为了提高纯度减少背景你不得不提高切割阈值但这会牺牲掉大量真实的信号事件效率降低反之为了保住效率纯度就会下降。在寻找像反氘核这样可能每年只有几个候选体的事件时这种权衡是难以接受的。3. 方案选型为什么是多层感知器面对高维、非线性、信噪比极低的数据我们需要的分类器必须具备强大的非线性建模能力和特征自动提取能力。我们评估过多种机器学习模型包括更传统的Boosted Decision Tree最终选择多层感知器作为核心模型是基于以下几层考量3.1 MLP的核心优势MLP是一种前馈人工神经网络由输入层、若干隐藏层和输出层构成。其核心优势在于通用近似定理只要隐藏层拥有足够多的神经元一个MLP可以以任意精度逼近任何连续函数。这意味着它能够刻画我们数据中信号与背景之间复杂的、非线性的决策边界这种边界可能是多维空间中的一个扭曲曲面远非简单的直线或决策树组合所能描述。与BDT相比MLP在处理连续型特征和特征间复杂的交互作用时理论上更具灵活性。BDT通过一系列“是/否”问题构建模型而MLP的每个神经元都对所有输入进行加权求和并施加非线性激活函数如ReLU, Sigmoid这种结构更类似于一个高度非线性的回归器能产生一个0到1之间的连续输出分数非常适合作为事件是信号如氘核的概率估计。3.2 BFGS优化器加速训练的关键神经网络的训练本质上是寻找一组最优权重参数以最小化损失函数如交叉熵。最经典的训练算法是反向传播结合梯度下降。然而对于我们的问题数据集庞大特征维度较高标准的随机梯度下降可能收敛缓慢且容易陷入局部极小值。我们选择了Broyden–Fletcher–Goldfarb–Shannon算法作为优化器。BFGS是一种拟牛顿法它通过近似计算损失函数的二阶导数信息海森矩阵的逆来实现更快速、更稳定的收敛。简单类比梯度下降只知道“下坡”的方向和坡度一阶导数而BFGS还能感知地形的“弯曲程度”二阶导数从而能预测更优的下坡路径更少的迭代步数到达谷底。这对于在大型物理数据集上训练神经网络至关重要能显著节省计算资源和时间。3.3 工具链选择TMVA within ROOT在粒子物理领域ROOT数据分框架是事实上的标准而TMVA是其内建的多变量分析工具包。选择TMVA实现MLP-BFGS有三大好处生态无缝集成我们的仿真数据和真实数据都以ROOT格式存储TMVA可以直接处理这些TTrees无需繁琐的数据格式转换。流程标准化TMVA提供了从数据预处理、模型训练、验证到应用的一整套标准化流程便于在大型合作组内复现和验证结果。性能经过验证TMVA中的MLP实现经过了高能物理社区多年的测试和优化其稳定性和可靠性有保障。4. 实战构建用于粒子识别的MLP分类器理论谈完进入实战环节。如何将一个MLP模型真正用于AMS-02的粒子识别这个过程充满了细节和抉择。4.1 训练样本与标签定义机器学习模型需要“教师信号”。我们使用基于GEANT4的AMS-02全探测器模拟软件来生成训练样本。模拟软件可以精确地模拟粒子如质子、氘核与探测器材料的相互作用以及探测器的响应并生成与真实数据格式完全一致的“仿真数据”。标签定义是第一步也是关键一步。对于质子样本我们如何定义“信号”和“背景”我们不能简单地将所有模拟质子都视为信号因为模拟中也会包含由于探测器效应而重建错误的事件。我们的策略是基于RICH本身的重建质量对于一个模拟的质子事件如果其重建质量落在质子真实质量0.938 GeV/c²的±2σ范围内例如0.75 - 1.12 GeV/c²我们将其标记为“信号”标签为1。反之如果重建质量落在此范围之外则说明该事件在RICH中受到了严重背景污染重建失败我们将其标记为“背景”标签为0。对于氘核样本则采用类似的定义围绕氘核质量1.875 GeV/c²设定窗口。实操心得这个“基于重建质量定义标签”的方法至关重要。它让模型学习的目标直接对准了我们最终想要解决的问题——区分正确的质量重建和错误的质量重建。如果直接用粒子生成类型如MC truth作为标签模型可能会去学习一些与探测器响应无关的、生成层面的特征导致在真实数据上泛化能力下降。4.2 特征工程给模型提供什么“线索”特征选择直接决定了模型性能的天花板。我们并非将探测器所有原始信息都扔给模型而是基于物理理解挑选出那些对区分“干净事件”和“污染事件”最敏感的变量。主要来自三个子系统跟踪器相关特征粒子速度β_TRK由跟踪器轨迹长度和TOF时间联合重建的速度。当RICH重建受到污染时该速度与RICH速度之间可能出现不一致。轨迹拟合质量如χ2/ndf。一个被次级相互作用干扰的粒子其轨迹拟合的χ2值通常会变差。电荷测量的一致性跟踪器多层独立测量的电荷值是否一致。飞行时间探测器相关特征TOF时间测量质量四个TOF层击中时间的一致性。背景事件可能导致时间信息异常。上下TOF速度的一致性由上、下TOF分别计算的速度是否吻合。RICH探测器内部特征重建电荷Q_RICH由收集到的总光强重建的电荷。背景事件可能导致电荷重建值偏离1。环拟合的Kolmogorov概率这是一个衡量观测到的光子分布与理想切伦科夫环分布吻合程度的统计量。值越接近1吻合度越好。背景事件通常具有很低的Kolmogorov概率。光环光子的空间分布例如光子点相对于拟合环的径向偏差的均值和方差。非环关联光子数远离拟合环的光子数量是散射本底的直接度量。我们将这些特征标准化减均值除以标准差后输入MLP的输入层。图5原论文展示了两个典型特征跟踪器速度与Kolmogorov概率在信号和背景样本中的分布差异可以看到明显的分离趋势这证实了特征的有效性。4.3 网络结构设计与训练我们使用TMVA提供的MLP-BFGS实现。网络结构需要谨慎设计输入层神经元数等于我们选择的特征数量例如20个。隐藏层我们从包含一个隐藏层开始尝试神经元数量在特征数量的1到2倍之间如30-50个。通过交叉验证来防止过拟合。激活函数通常使用双曲正切或ReLU。输出层一个神经元使用Sigmoid激活函数输出值在0到1之间代表事件是“信号”的概率。训练将模拟数据集按比例如70:30划分为训练集和测试集。使用BFGS优化器最小化交叉熵损失函数。训练过程中我们密切监控模型在测试集上的性能一旦性能不再提升或开始下降过拟合迹象即提前停止训练。训练完成后我们会绘制接收者操作特征曲线。ROC曲线的纵轴是信号效率横轴是背景误判率1 - 背景拒绝率。曲线下面积越大说明分类器整体性能越好。如图6所示我们的MLP模型在NaF和Aerogel两种辐射体上都能在保持80-85%信号效率的同时实现极高的背景拒绝率超过90%。5. 模型应用与结果分析从仿真到真实数据模型在仿真数据上表现优异只是第一步真正的考验在于处理真实的AMS-02数据。5.1 阈值选择与事件筛选MLP输出一个0到1的分数。我们需要选择一个阈值来做出二元分类决策分数高于阈值的事件判为信号低于则判为背景。如何选择这个阈值我们追求的是在粒子物理分析中常用的一个指标显著性通常定义为 S/√(SB)其中S是信号事件数B是背景事件数。我们会在测试集上计算不同MLP输出阈值对应的显著性。如图7所示显著性随阈值变化会有一个最大值。这个最大值对应的阈值大约在0.8左右就是我们的最优工作点。选择这个阈值意味着我们能在统计意义上最显著地将信号从背景中凸显出来。5.2 在真实数据上“显影”我们将训练好的MLP-BFGS模型应用于AMS-02在2011年至2021年期间收集的真实数据。处理流程是对每一个通过基础筛选的宇宙线事件提取相同的特征集输入模型得到MLP分数然后应用我们选定的阈值如0.8进行切割。图8展示了应用MLP切割前后的质量分布对比。蓝色直方图是未应用MLP切割的所有事件可以看到在质子峰~0.94 GeV/c²右侧氘核区域~1.88 GeV/c²被一个巨大的连续本底所覆盖完全看不到任何峰值结构。红色直方图是应用MLP切割后保留的事件。令人振奋的是一个清晰的氘核峰在预期的质量位置浮现出来这表明MLP模型成功地剔除了绝大部分导致错误质量重建的背景事件极大地提高了样本的纯度使得原本被淹没的稀有信号得以“显影”。避坑指南将仿真训练的模型用于真实数据必须警“仿真-数据差异”。我们的策略是特征选择尽可能使用对探测器模拟不确定性不敏感的特征如基于统计量的特征Kolmogorov概率相对差异特征等避免绝对刻度高度依赖的特征。数据驱动校正利用真实数据中已知的、丰富的粒子如质子样本检查MLP分数在这些样本上的分布是否与仿真一致。如果出现系统性偏移可能需要采用域适应技术或对输出进行校准。保守评估最终物理结果的系统误差中必须包含模型因仿真-数据差异可能引入的不确定性。6. 经验总结与未来展望回顾整个项目将MLP-BFGS应用于AMS-02的单电荷粒子识别是一次成功的跨学科实践。其核心价值在于它没有改变物理原理而是优化了我们从复杂数据中提取物理信息的“算法”极大地提升了探测器的“洞察力”。我个人在实际操作中的几点深刻体会物理理解指导特征工程机器学习不是黑箱的借口。最有效的特征往往源于对探测器物理和背景来源的深刻理解。与探测器专家紧密合作理解每一个变量的物理意义是构建高性能模型的基础。盲目地投入大量原始数据效果往往不如精心挑选的十几个物理意义明确的特征。仿真数据的质量是天花板机器学习模型的上限由训练数据决定。我们必须投入大量精力验证和优化GEANT4模拟的准确性包括材料描述、物理过程列表、电子学响应模拟等。任何仿真与现实的偏差都会在模型迁移到真实数据时被放大。模型复杂度与可解释性的平衡MLP虽然强大但其决策过程相对难以解释。在粒子物理领域结果的可复现性和可理解性至关重要。我们除了看最终的ROC曲线和显著性还会通过特征重要性排序例如通过随机打乱某个特征看模型性能下降程度和二维分布图来侧面理解模型依赖了哪些信息。有时一个稍简单但更可解释的模型如BDT可能是合作组内更易被接受的选择。系统工程化一个研究原型要变成合作组公认的、可重复使用的分析工具需要做大量的工程化工作编写清晰的文档、封装可配置的训练和应用脚本、将模型集成到合作组的统一分析框架中、制定版本控制流程等。展望未来这项工作只是起点。我们可以从几个方向继续深化更先进的网络架构可以尝试卷积神经网络来处理RICH中光子点的二维空间分布图像或图神经网络来处理探测器击中点之间的拓扑关系可能能捕捉到更微妙的模式。端到端学习绕过传统的、分步式的特征提取和重建流程尝试用深度学习模型直接从未经处理的探测器原始信号如PMT的ADC/TDC数据中同时完成粒子识别和物理量如质量的回归。无监督/半监督学习用于在真实数据中自动发现异常事件或未知的信号这在对新物理的探索中可能尤为重要。将机器学习深度融入高能物理数据分析已成必然趋势。它不仅是处理海量数据的工具更是拓展我们物理发现能力的新感官。这次在AMS-02上优化单电荷粒子识别的实践为我们在更广阔的粒子天体物理课题中应用人工智能技术积累了宝贵的经验与信心。
