中国科学院高能物理研究所、中国科学院近代物理研究所、中国科学院合肥物质科学研究院等多家科研机构及高校联合发表综述文章，系统梳理人工智能在粒子物理与核物理学中的技术应用路径。文章围绕加速器自主调控、探测器智能升级、海量数据实时处理、实验事件重建、理论模型计算和大科学装置智能运行等方向展开，重点讨论AI模型如何进入实验系统和科研流程。

在加速器系统中，AI主要用于束流状态识别、参数优化、运行异常检测和自主调控。加速器运行涉及磁铁、电源、射频、真空、束诊、控制系统等大量设备，束流位置、能散、发射度、亮度和稳定性会受到多参数耦合影响。机器学习模型可以基于历史运行数据和实时诊断信号，建立束流状态与控制参数之间的映射关系，用于辅助调节磁场、电压、相位和注入条件，减少人工反复试调过程。

探测器智能升级集中在信号识别、噪声抑制、事例重建和在线筛选环节。粒子物理与核物理实验中的探测器通常需要在高计数率、高本底和复杂信号重叠条件下工作，传统算法需要依赖大量人工设定特征和阈值。深度学习模型可以处理探测器输出的图像、波形、轨迹和时间序列数据，用于识别粒子径迹、能量沉积、顶点位置和罕见事件候选信号。

海量数据实时处理是文章强调的重点技术场景。高能物理实验会产生高频率数据流，原始数据不能全部长期存储，必须在触发、压缩、筛选和重建阶段完成快速判断。AI模型可以嵌入在线触发系统，对探测器信号进行快速分类，提前剔除低价值背景事件，保留更可能包含目标物理过程的数据。对于后端分析，AI还可以用于事件分类、参数拟合、误差估计和背景建模，提高复杂数据样本的处理效率。

文章还讨论了AI在理论计算和模拟中的作用。粒子物理与核物理研究需要大量蒙特卡洛模拟、反应截面计算、核结构模型、输运模型和多体系统计算。机器学习方法可以用于加速模拟生成、替代部分高成本数值计算、构建代理模型，并在高维参数空间中搜索更优模型参数。对于实验设计阶段，AI也可以参与探测器几何结构优化、实验条件筛选和数据采集策略调整。

在同步辐射光源、中子源、核科学装置和核电相关系统中，AI应用更偏向装置控制、状态诊断和预测维护。模型可读取设备运行状态、传感器数据、图像数据和实验过程数据，对设备漂移、异常波动、故障征兆和运行效率变化进行识别。对需要长期连续运行的大科学装置来说，这类技术可以进入控制室、设备监测系统和实验调度系统，参与在线反馈和运行参数调整。

这篇综述把AI技术拆解到粒子物理与核物理实验的多个具体环节：前端采集侧负责探测信号识别和触发筛选，中间处理侧负责事件重建、数据压缩和特征提取，后端分析侧负责分类、拟合、模拟加速和模型推断，装置运行侧负责束流调节、设备诊断和实验流程优化。整套技术路线围绕数据、模型、控制系统和大科学装置协同展开。