知识卡片：粒子对撞数据分析的基础模型 EVENET

一句话结论

EVENET 是一个事件级粒子对撞基础模型，先在 5 亿个模拟对撞事件上以自监督学习加物理信息监督预训练，再微调迁移到重共振搜索、稀有希格斯衰变、量子关联测量等多种分析任务，并在 CMS 开放数据中重新发现 ϒ 介子，初步验证了模拟到真实数据的迁移能力。

事件概述或研究问题

高能物理对撞实验每年产生海量高维、部分观测的事件记录，但主流做法仍是“一个分析训练一个专用模型”，专家与算力成本随 HL-LHC 数据量增长而上升。已有基础模型尝试多集中在单个喷注（jet）层面，或仅覆盖少数下游任务与狭窄物理过程；且多数仅在模拟上验证，缺少在真实实验数据上的迁移检验。EVENET 要回答的是：能否用一个共享的事件级表征骨干，跨多种对撞分析任务复用，并在真实数据上站得住。

方法/产品要点

• 输入表征：把每个对撞事件表示为无序的粒子云（particle cloud），直接处理变长的物理对象集合，适配全重建、部分重建与带噪声事件。
• 骨干架构：共享的 point–edge transformer 编码器，配可替换的任务头（分类、对象—共振配对、末态分割、基于扩散的掩码/未探测粒子重建）。
• 两阶段预训练：第一阶段自监督掩码粒子重建（SS-Gen），第二阶段联合优化自监督与监督目标（加入 Sup-Gen 与分类 Cls）；分配（Asn）与分割（Seg）头仅在下游微调时训练。
• 预训练数据：约 5 亿个模拟对撞事件，各过程—末态通道事件数大致均衡，不做基于截面的加权或采样，以避免稀有过程被稀释。
• 对照设计：Scratch（无预训练）、SSL（仅第一阶段）、Full（完整两阶段）三变体共享同一架构与微调流程，用于隔离各预训练阶段的贡献。

主要结果或产业意义

• 在重共振（X→YH_SM）与稀有希格斯衰变等搜索中，EVENET 优于既有基线及当前最优基线，低统计量情形下优势更明显。
• 在 CMS 开放数据中重新发现 ϒ 介子，作为模拟到真实实验数据迁移的验证。
• 预训练模型支持量子关联观测量（quantum-correlation observables）的精确提取，且在所测试的系统性变化下保持稳定。
• 结论上被定位为可复用的骨干：一次较大的预训练投入后，可提升多样对撞分析的下游适配效率。

为什么重要

它把“预训练—迁移”范式从单喷注层面推进到完整事件层面，并用真实开放数据补上了此前基础模型工作较少涉及的模拟—数据迁移验证环节；对 HL-LHC 时代降低逐任务建模的专家与算力开销具有直接指向性。与已有卡片中 CytoBERT（细胞计量）、MedPMC（医学多模态）、人形机器人行为基础模型相比，本条是基础模型范式在粒子物理事件级数据上的平行落地，增量在于“事件级共享表征 + 物理信息监督 + 真实数据迁移验证”的组合。

局限与不确定性

• 预训练样本不含 pile-up，而用于泛化测试的 CMS 开放数据基准包含 pile-up 与探测器响应差异，构成域偏移；模型在该条件下的稳健性边界待核实。
• 迁移验证目前仅以 ϒ 介子重新发现为例，覆盖的物理过程与实验范围有限，能否推广到更多实验（如 Belle II、DUNE）与更多分析类型待核实。
• 低统计量优势的量化幅度、以及与各基线的具体比较数值，摘要与节选未给出，待核实。
• 预训练语料以模拟为主，模拟与真实数据之间的系统性偏差对表征的影响程度待核实。

可用于图书/PPT/简报的角度

• “一个骨干、多个任务头”：用 EVENET 说明基础模型如何把逐任务建模转为共享表征加轻量适配。
• 两阶段预训练策略的消融叙事：自监督打底、物理监督精修，可作为“领域知识如何注入基础模型”的案例。
• 模拟—真实迁移：以 ϒ 介子重新发现为钩子，讨论科学基础模型“只在模拟上好看”的风险与验证必要性。
• 与生物、医学、机器人基础模型并列，做“基础模型进入各科学领域”的横向对照页。

原始材料

• 标题：Foundation model for particle collision data analysis - Nature Machine Intelligence
• 来源：Nature Machine Intelligence，Open access，Published 29 October 2026
• 作者：Ting-Hsiang Hsu, Baihong Zhou, Qibin Liu, Yue Xu, Shu Li, George Wei-Shu Hou, Benjamin Nachman, Shih-Chieh Hsu, Vinicius Mikuni, Yuan-Tang Chou, Yulei Zhang 等
• DOI：10.1038/s42256-026-01322-9
• URL：https://www.nature.com/articles/s42256-026-01322-9
• 关键词：EVENET；event-level foundation model；self-supervised learning；physics-informed supervision；particle cloud；collider data analysis
• 备注：预印本版本可在 arXiv 获取（具体编号待核实）