AI技术驱动粒子与核物理研究：从理论探索到实践应用
本文刊载于《中国科学院院刊》2026年第6期"国家科学技术思想库：人工智能赋能科学研究"
王贻芳1*何源2黄耀3何万兵4焦毅1李聪乔5李科1刘北江1马英起6马余刚7*庞龙刚8齐法制1谭思超9 王春鹏10 王盟9徐小恒6徐星2 赵振堂10张英逊11张正德1赵红卫2赵丽娜1
1 中国科学院高能物理研究所
2 中国科学院近代物理研究所
3 中国科学院合肥物质科学研究院
4 复旦大学 现代物理研究所
5 北京大学 物理学院
6 中国科学院国家空间科学中心
7 华东师范大学 物理学院
8 华中师范大学 夸克与轻子物理教育部重点实验室
9 哈尔滨工程大学 核科学与技术学院
10 中国科学院上海高等研究院
11 中国原子能科学研究院
粒子物理与核物理学作为探究物质微观构成与宇宙演化起源的关键基础学科，正面临海量多模态数据处理、极端实验环境构建、理论计算瓶颈突破及大型科学设施智能管控等多方面系统性挑战。人工智能技术的快速发展与深入应用为应对上述挑战提供了创新性解决方案。文章全面梳理了人工智能如何深度赋能粒子物理与核物理学领域，重点涵盖物质基本结构与质量起源探索、强相互作用物质特性研究、加速器与探测器的智能化设计与自动化控制、同步辐射光源和中子源等大型科学设施应用研究、空间与核辐射环境中的辐射效应机理及防护技术研发，以及核能智能研发设计、运行维护与安全监管等关键应用场景的发展路径与未来趋势，旨在推动学科向数据驱动、智能协同、自主发现的新研究范式转型，为国家科技自立自强与前沿技术突破提供战略性支撑。
粒子物理与核物理学正处于新一轮科技变革与基础研究深度融合的历史机遇期。高能对撞机产生的海量数据、量子多体体系面临的维度灾难、大型科学设施数以万计组件强耦合带来的调控复杂性等，共同构成了传统研究范式难以逾越的系统性障碍。与此同时，以深度学习、生成式模型和科学智能体为代表的AI技术迅猛发展，正在从辅助性工具跃升为驱动科学发现的核心动力源。这一变革不仅涉及数据处理效率的提升，更指向"知识—数据—智能"深度融合的崭新科研范式的确立。本文基于学科发展需求与国家战略布局，系统分析人工智能赋能粒子物理与核物理学的内在逻辑、关键应用场景与推进路径。
1
粒子物理与核物理学学科内涵、价值及挑战
学科内涵和主要特点
粒子物理学致力于揭示基本粒子及其相互作用机制，构建统一描述电磁、弱与强相互作用的理论框架，并探索暗物质、额外维度等超越标准模型的新物理现象；原子核物理学则研究原子核的结构、组成及相互作用，其中低能核物理关注核结构、核反应及天体演化等，高能核物理聚焦高温高密核物质及夸克-胶子等离子体等。
该学科具有6个鲜明特点：
1.探索物质科学的基本规律，致力于回答物质本原与宇宙起源等根本问题；
2.依赖第一性原理的计算与仿真，开展从夸克-胶子到原子核体系的多尺度理论研究；
3.依赖大科学装置与极端实验条件，通过极高能量、极低本底等环境实现前沿实验；
4.以海量数据驱动的科学发现模式，需借助人工智能、大数据等技术从复杂观测中挖掘物理规律；
5.跨尺度融合，实现从微观量子场论到宏观宇宙演化的贯通理解；
6.支撑与引领其他学科发展，为基础理论突破及加速器、探测器、核技术应用等提供动力，并推动多学科交叉创新。
科学意义与战略价值
粒子物理与核物理学不仅是探索物质基本结构和宇宙起源的核心基础学科，更是国家科技实力与综合竞争力的重要体现。
在科学意义上，该学科始终是物质科学研究的最前沿，驱动着能源、材料、医疗等领域的重大技术突破，并催生加速器、探测器、核电子学与数据处理等先进技术。
在战略价值上，该学科是核能工业发展的基石，支撑裂变堆性能提升、新一代反应堆及可控核聚变等关键技术突破，为国家能源供给提供根本保障；其衍生技术可扩展至医疗、工业、航空航天等领域，形成高附加值产业链和新的经济增长点；同时，作为核医学、辐射生物学等技术发展的基石，在精准诊断、肿瘤治疗、药物研发及病毒消杀等方面造福人民生命健康。此外，该学科为核威慑力量建设、核防护技术发展及核取证与核监测等提供科学支撑，是维护国家主权与战略利益的关键；其前沿研究推动重大科学装置建造与超导、真空、大数据等先进技术集群突破，并增进社会对科学的理解，推动科学文化普及与社会思想进步。
发展面临的挑战
随着粒子物理与核物理学迈向更高能量、更高亮度与更高精度的前沿，该学科正面临多重系统性挑战。
1.物理信号提取与海量多模态数据处理方面，PB量级数据的处理与分析成为关键瓶颈。
2.理论方法与模型的高效可靠计算方面，格点量子色动力学在有限重子化学势下的符号问题至今无解、量子多体问题的维数灾难及高维参数空间扫描的算力缺口等瓶颈突出，且现有科学软件老旧低效。
3.新物理发现与理论创新方面，标准模型存在诸多未解之谜，如希格斯玻色子的性质、中微子质量起源、质子自旋组成问题、暗物质与暗能量的物理机制，以及超对称理论和大统一场论的验证等。
4.极端实验条件的实现方面，提高对撞机亮度与能量、完成极低辐射本底实验等对提升实验操控精度与灵敏度提出更高要求。
5.大型装置的高效精确操控方面，海量元件构成的复杂参数空间使传统方法难以实现动态优化与风险预警。
6.多学科大平台的系统集成与智能协同方面，超大规模多模态数据亟待建立智能解析架构，并实现全流程自动化。
7.辐射环境下智能防护技术的提升方面，现有抗辐射技术在高维数据实时获取、多源数据融合、动态响应机制及系统级协同防护等方面仍存在显著不足。
2
"人工智能+粒子物理与核物理学"的研究特点和范式
研究对象
"人工智能+粒子物理与核物理"的内涵是以人工智能技术——包括数据处理技术、数字孪生技术、机器学习和知识发掘技术等——为核心驱动力，面向粒子物理与核物理学及其交叉领域的重大科学问题，致力于构建智能化、自动化、可解释的新一代研究范式，同时通过粒子物理与核物理学中的进展反哺人工智能的算法及应用等。
其研究方向涵盖4大领域：
1.海量数据的智能处理与解析，聚焦大型实验及蒙特卡罗模拟产生的多层级、结构复杂数据，实现高效粒子重建、鉴别与信息提取；
2.实验数据与理论预测对比，包括超出标准模型物理、核结构、核反应及核天体物理过程的建模与模拟，以及物理参数提取与核数据评估；
3.大科学装置智能设计与动态调控，覆盖装置的自动化设计、操作控制、状态监测、数据处理及多智能体耦合；
4.智能辅助的新物理现象发掘，强调将物理先验知识（如对称性约束、守恒律、动力学方程等）嵌入人工智能模型，提升可解释性与泛化能力。
发展需求
"人工智能+粒子物理与核物理学"的发展需求源于学科自身与国家战略2个层面，并已成为解决学科核心瓶颈、加速科学发现、支撑国家科技自立自强的必然需求。
从学科自身需求看，人工智能正在创造全新研究范式：突破海量多模态数据处理极限，利用图神经网络、Transformer模型架构等高效挖掘时空关联与拓扑特征，实现径迹重建、能量测量与端到端物理分析；在极端实验条件下，人工智能可在微秒级窗口完成事件触发决策，并通过背景建模与异常检测识别新物理信号，同时以强化学习实现复杂加速器系统的自动化控制；此外，人工智能深度参与"物理模型提出→模拟验证→实验设计→数据解析"全过程，加速理论建模与实验设计变革。这些变革标志着人工智能已经超越工具角色，成为深度参与问题提出、方法选择、路径优化与知识发现的"新型研究伙伴"，是解决学科核心瓶颈、加速科学发现的必然需求。
从国家战略需求看，该交叉领域在抢占新质赛道与基础研究高地，培养具备深厚物理直觉与人工智能建模能力的跨学科人才，以及孕育颠覆性技术创新等方面具有深远战略价值。
研究范式与技术支持
"人工智能+粒子物理与核物理学"的研究范式以人工智能技术与物理学知识的深度融合为核心，围绕"懂数据""懂技术""懂物理"3个维度构建人机协同科学发现系统。以大科学装置产生的海量数据、通用大模型、领域知识与经验作为基础支撑，以人工智能在模式识别、智能设计与操控和物理仿真与推理领域的独特优势作为核心技术支撑，分别在"懂数据"维度实现高效粒子重建、粒子鉴别、事例分类、信号提取等，在"懂技术"维度实现智能化自动化的装置设计、操作控制、程序生成、多智能体耦合等，在"懂物理"维度提升模型性能与可靠性、使其具备物理推理能力，实现自主科学发现。"懂物理"与"懂技术"共同构成"感知—执行—反馈"链路，"懂技术"与"懂物理"形成了"理论—实践"共演，"懂数据"与"懂物理"实现"数据—知识"双驱动，3个维度之间层层递进、有机耦合，以实现全新范式的人机协同人工智能科学发现系统（图1）。
图1 "人工智能+粒子物理与核物理学"研究框架
同样如图1所示，其技术支撑主要涵盖4个层面：
1
模式识别与统计分布学习驱动的数据智能分析和新物理探索
利用图神经网络、Transformer等模型实现粒子鉴别、事例重建与信号分类；物理信息神经网络（PINNs）将动力学方程残差作为损失函数高效求解微分方程；生成模型部分替代蒙特卡罗模拟实现快速仿真；非监督学习与异常检测用于挖掘超出标准模型的新物理信号等。
2
科研自动化与智能体驱动的实验/工程操控
强化学习实现加速器、探测器与聚变装置的自适应调控；贝叶斯优化高效搜索高代价实验参数；大语言模型结合符号推理与自动规划，可自动生成实验方案、实时分析数据并实现人机协作；未来将由多智能体协同完成复杂实验任务。
3
探测器智能化升级及基础设施与软件生态
将人工智能嵌入探测器设计与前端电子学（ASIC或FPGA），发展低延迟、低功耗的抗辐射人工智能引擎（AI Engine）芯片；建设覆盖数据全生命周期的数据生态系统与离线智能分析平台，融合现代人工智能生态构建全栈式智能研究开放平台。
4
具有推理能力的物理大模型
在模型结构中引入物理对称性、守恒律及动力学方程等约束，提升数据效率与预测精度；基于检索增强生成与领域微调，构建深度理解粒子物理与核物理学的智能辅助系统；进一步赋予模型逻辑推理与因果分析能力，使其能够从已知物理规律推导未知现象，实现从知识理解到问题解决的闭环能力，为自主科研决策提供全新范式支撑。
发展态势
人工智能在粒子物理与核物理学中的应用可追溯至20世纪80年代，但当时的计算能力发展缓慢。2010年"深度学习"兴起后，卷积神经网络、图神经网络、生成对抗网络等模型被广泛应用于信号识别、探测器快速模拟与异常检测；加速器领域也开始引入贝叶斯优化与强化学习实现束流调优与反馈控制。2017年以来，Transformer及大语言模型展现出强大推理能力，逐步用于自动化数据分析与符号推理。
当前，人工智能已全面融入装置运行、实验设计与数据处理各环节：欧洲核子研究中心的大型强子对撞机实验重点推进生成模型快速模拟与神经网络在线触发；美国粒子物理战略规划（Report of Particle Physics Project Prioritization Panel）将人工智能列为核心跨领域技术，欧洲则构建开放共享的人工智能科研生态。中国在对撞机、中微子、暗物质实验及同步辐射光源智慧化建设等方面处于国际前沿，智能抗辐射技术也在加速发展。
未来，人工智能将推动数据分析自动化与智能化，加速新物理发现；在加速器、聚变装置与探测器设计中发挥更核心作用；多模态数据融合与物理大模型将成为关键趋势，构建具备类人推理能力的科学智能体，推动研究范式从"数据驱动"向"知识融合智能驱动"转变，同时智能抗辐射设施将实现实时感知、因果建模与自适应防护的系统性突破。
3
"人工智能+粒子物理与核物理学"发展的重大应用场景
物质基本结构与质量起源研究
粒子物理学致力于揭示物质的基本结构及其相互作用规律，是物质科学的前沿领域。当前，粒子物理学仍面临诸多关键问题：在高能前沿，通过加速器重现宇宙早期条件，研究希格斯粒子性质及质量起源，并探索超越标准模型的新物理；在高精度前沿，依托高灵敏探测器与低本底环境，研究中微子性质、暗物质以及正反物质不对称问题，并深入理解强相互作用机制。在粒子物理实验中，数据通常具有规模巨大、维度高、结构稀疏且异构等特点，同时伴随规模相当的模拟数据作为辅助，并对数据吞吐与实时处理提出极高要求。如何从中高效发现新现象成为核心挑战。人工智能与粒子物理学的融合为此提供了重要机遇。粒子物理学是最早应用人工智能方法的科学领域之一，在多变量分析方面已有数十年的积累。近年来，深度学习推动了研究范式的转变。面对复杂高维数据，基于深度神经网络的人工智能显著扩展了处理极高维、超大规模数据的能力，并已从辅助工具发展为核心研究方法。
1
判别式人工智能模型已广泛应用于粒子重建、事例分类、信号探测与参数估计等任务，显著提升了分类性能和本底抑制能力，且尚未触及探测器性能上限
这些进展得益于更先进的模型架构、更大规模的数据以及优化的工程实现。目前，人工智能模型已在大型强子对撞机（LHC）上的超环面仪器实验（ATLAS）、紧致缪子线圈实验（CMS），北京正负电子对撞机北京谱仪Ⅲ实验（BESIII）等大型国际合作实验的数据处理流程中得到广泛应用。此外，判别式模型还被用于高效降维与数据压缩，以缓解数据传输与处理瓶颈。在实时重建与在线分析中，基于人工智能的超快数据处理链路已发挥重要作用。在模型训练与部署方面，当前实验日益重视端到端方法，即直接从探测器原始数据输出高阶物理结果，整合传统分析流程中的径迹重建、能量测量、粒子与喷注重建、信号鉴别等多个步骤，在单一大模型框架下减少信息损失并简化分析流程。
2
快速发展的生成式人工智能技术为数据分析提供了新的工具
这些方法包括生成对抗网络、流模型、扩散模型和自回归模型等，已被应用于探测器响应的快速模拟与粒子重建。通过神经网络替代计算复杂或信息受限的传统算法，生成式方法在计算效率与物理性能上均展现出显著优势。目前，大型粒子物理实验（如ATLAS）已结合传统数值模拟与生成式快速模拟以提升整体效率。进一步地，生成模型能够建立从理论参数到观测数据分布的高效映射，并发展为基于模拟的推断方法，在无需显式构造似然函数的情况下，用于高维搜索与逆问题求解等任务。生成模型还为加速器与探测器设计优化提供了新的思路。此外，生成式方法也推动了粒子物理学中异常检测技术的发展。作为近年来新物理学探索的重要范式，异常检测主要包括弱监督与无监督学习两类方法，能够在较少理论假设下识别罕见模式，从而补充传统分析手段。
3
粒子物理学领域的基础模型展现出广阔前景
这类模型通过大规模预训练支持多任务分析，可统一服务于粒子鉴别、物理对象重建及信号识别等任务，从而支撑对撞机实验中大量并行开展的物理分析工作。其实现依赖监督学习与自监督学习方法，融合多种探测器数据模态，并需要探索适应领域特征的预训练策略。此外，基于大语言模型的多智能体系统通过知识检索、任务规划与工具调用，可与传统科研工作流深度融合，实现科研过程的自动化与人机协同。目前，BESIII已开展相关探索，未来有望显著提升研究效率。
展望未来，随着实验规模与数据复杂度的持续增长，传统方法将面临日益严峻的瓶颈，人工智能将成为粒子物理学研究的核心手段。模型参数规模与训练数据量预计将提升多个数量级，从而推动粒子重建与分类性能进一步提高。具备高泛化能力的基础模型将得到广泛部署，通过多任务与多模态预训练支持端到端分析。多智能体系统也将持续增强推理与协同能力，逐步迈向自主科学发现。同时，融合物理规律与数据驱动的方法将进一步提升模型的可解释性、可控性与鲁棒性，促进人工智能在粒子物理中的大规模应用，并加速重大的科学发现。
强相互作用物质性质研究
强相互作用作为标准模型的4种基本相互作用之一，不仅主宰了原子核的形成，也决定了宇宙的起源过程。研究尺度从基本核子结构的微观尺度到中子星天体的宏观尺度。研究对象包括核力性质，原子核多体关联与结构演化，核反应的动力学过程，量子色动力学的相结构及核物质状态方程等。由于强相互作用的色禁闭及复杂耦合特性，这一研究领域面临诸多挑战。例如，理论计算方面的挑战，包括核力的准确描述，核多体问题的精确求解，量子色动力学的非微扰计算等；实验方面的挑战，包括高能量密度、高束流亮度、短寿命次级束流等极端实验条件的实现；在数据分析方面的挑战，包括核反应过程的蒙特卡罗模拟对算力需求巨大，以及多模态海量实验数据的准确刻度与反问题求解等。人工智能凭借其处理高维数据、构建复杂映射和加速量子模拟的独特优势，为突破这些长期存在的瓶颈提供了全新路径。
在理论计算方面，深度神经网络既提高了计算精度又提高了计算效率。核子多体系统的精确计算受限于态矢量空间的维度灾难。传统的严格对角化等数值方法在高维空间中难以计算。深度神经网络作为波函数的变分拟设，能够更好地表示量子多体系统的关联，在量子变分蒙特卡洛计算框架下能够显著提高计算精度。借助随机梯度下降或随机重构法等高效的神经网络优化方法，能够提高计算效率，从而改善维度灾难带来的计算瓶颈。格点量子色动力学（LQCD）是研究强相互作用重要的非微扰数值工具，但其计算往往涉及极高维度的路径积分和昂贵的线性方程求解，传统方法成本极高。人工智能可以有效提高LQCD计算效率和精度。例如，通过生成模型可以更高效地进行概率分布采样，改善慢收敛问题；神经网络可以加速求解狄拉克算子方程，并用于从数据中提取物理量。
在实验测量方面，不同能区的核物理实验对探测与数据获取提出了截然不同但同样严苛的要求，人工智能在其中展现出针对性的支撑能力。
1.对于高能重离子碰撞实验，其显著特征是事例中产生极高的粒子多重数与复杂的末态关联结构，这对探测器读出、触发系统及在线重建能力提出了极高要求。传统基于规则的触发与重建方法难以在高事例率与高背景条件下高效识别感兴趣物理过程。通过深度学习模型对高维探测器响应进行端到端建模，在在线触发阶段实现对复杂事例拓扑的快速判别，从而在海量数据中高效筛选出具有物理价值的稀有过程。同时，基于图神经网络或点云网络的方法能够更好地处理高粒子多重数环境下的径迹重建与粒子关联问题，提高在粒子强堆积（pile-up）条件下的重建精度与鲁棒性。
2.在低能核物理实验中，研究往往依赖短寿命次级束流，这类束流具有强度低、寿命短、纯度有限等特点，实验条件更为受限。如何在有限统计量下实现高精度测量，是该领域的核心挑战之一。人工智能可以在束流产生与分离过程中，通过对离子光学参数和分离器设置的优化，提高次级束的纯度与传输效率；在实验运行中，利用机器学习方法对低统计数据进行去噪、增强与特征提取，从而提升信号识别能力。此外，人工智能还可用于在线监测束流状态与实验装置性能，实现快速反馈与自适应调节，最大限度提高有效数据获取效率。
在数据分析方面，如高能重离子碰撞中测量夸克胶子等离子体（QGP）涉及复杂的高维反问题。探测器记录末态粒子动量谱、各向异性流等观测量，而这些观测量受初始条件涨落、介质输运性质和强子化等多因素影响。人工智能可贯穿刻度、反演与推断全流程。
1.在刻度阶段，深度学习可直接从原始信号学习探测器响应映射，提高粒子多重数环境下的能量和动量重建精度。
2.在反演阶段，神经网络判别模型构建的迭代概率分布重加权方法比传统的响应矩阵反解方法性能具有更高精度和抗噪声能力。
3.在参数推断阶段，神经网络代理模型可高效逼近从理论参数到观测量的映射，结合仿真驱动推断（SBI）或贝叶斯框架实现对QGP输运性质的后验约束和不确定性量化。
加速器、探测器和聚变装置的设计与自动控制
粒子加速器是探索物质微观结构、推动高能物理、材料科学、清洁能源及国家安全等领域发展的核心大科学装置。随着能量、亮度、流强等指标逼近物理与工程极限，加速器系统的复杂性呈指数级增长：数以万计元件强耦合、动态扰动跨越毫秒至小时多时间尺度、数据产出达PB/EB量级、多目标优化高度冲突。传统依赖物理模型与人工经验的"试错法"已难以满足实时响应、高维认知和全局优化的严峻需求。人工智能，特别是机器学习与深度学习，凭借高维数据表征、非线性映射和自主决策的独特优势，为突破这些长期存在的瓶颈提供了全新路径。
人工智能赋能加速器的核心价值体现在深度感知、认知控制、多目标调和、快速收敛和自主发现5个方面，它们共同推动加速器从人工经验走向数据智能驱动。
1.深度感知，使装置运行从有限观测走向全景认知。卷积神经网络、循环神经网络和图神经网络能够从海量多模态数据中自动提取高维特征，构建高保真数字孪生。例如，扩散模型可在单次测量中重构束流六维相空间，变分自编码器实现虚拟束流诊断，无监督学习自动识别并剔除故障探测数据。
2.认知控制，推动控制策略从被动反馈走向主动决策，强化学习智能体通过与数字孪生环境交互，自主探索最优控制策略。
3.多目标调和，使调优从单点权衡走向自洽优化，多目标贝叶斯优化直接生成帕累托前沿，在高维参数空间中高效平衡亮度、束损等冲突指标。在高能同步辐射光源设计中，神经网络代理模型与遗传算法结合，在保持动力学孔径的同时将托歇克寿命提高约10%。
4.快速收敛，则极大提升了调试效率，贝叶斯优化和强化学习凭借其高样本效率，仅需传统方法1/10甚至更少的实验次数即可逼近全局最优，将过去数小时乃至数天的参数扫描压缩至分钟级，使得在线实时优化成为可能。
5.自主发现，开启了人工智能作为科学伙伴的新阶段，符号回归算法可从数据中自动推导出库仑定律等物理公式，大语言模型驱动的科学智能体有望自主阅读文献、提出假设、设计实验并产出新知识。
实现上述价值需沿着3条关键路径推进。
1.数据与知识的融合，通过物理信息神经网络和可微仿真将守恒律、动力学方程等先验嵌入模型，提升泛化能力和可解释性。
2.虚拟与现实的融合，构建高保真数字孪生作为人工智能训练的安全沙盒，实现策略在虚拟环境中成熟后再迁移至真实装置，同时用于预测性维护和故障预警。
3.感知与行动的融合，将轻量化神经网络部署于现场可编程门阵列等前端硬件，形成前端快速反射与云端全局规划相结合的分层控制架构，满足微秒级实时响应需求。
人工智能在加速器及相关装置中形成了覆盖4个维度的系统化应用格局。
1.运行控制方面，束流轨道自主校正、高维全局优化、动态扰动前瞻抑制及聚变等离子体协同控制，使控制策略从预设编程走向自主决策。
2.数据处理方面，智能触发、粒子重建加速与无监督异常探测，使数据筛选从预设阈值走向实时智能判别。
3.系统运维方面，时序故障识别、数字孪生预测性维护及自调试自愈能力，使维护模式从定期检修走向预测自治。
4.人机协作方面，大语言模型使自然语言成为控制接口，形成人提出目标、人工智能负责实现的科研伙伴模式。
人工智能正深刻重塑加速器的研究范式、运行模式与发现方式。从束流轨道到等离子体控制，从探测器触发到故障预测，从数字孪生到意图驱动，人工智能使大科学装置从需要人工精心看护的复杂工具进化为具备自感知、自学习、自决策、自优化能力的智慧生命体。高保真数字孪生、意图驱动交互、系统级自主运维、智能实时处理四大支柱持续深化，共同构成自智型装置的信息、认知与控制框架。这标志着人类与人工智能协同共进的科研新时代已经开启，为基础科学发现和能源技术突破开辟了全新前沿。
平台类核技术大科学装置的应用端研究
以同步辐射光源和中子源为代表的平台类核技术大科学装置，正通过深度融合人工智能、数字孪生、多智能体与科学大模型等新兴技术，全面建设支撑多学科前沿探索与国家重点产业需求的"智慧终端"。
传统实验模式高度依赖专家的人工经验，普遍存在实验设计周期冗长、装置利用率不高、数据割裂与知识沉淀不足等局限，难以满足国家日益增长的战略需求。人工智能的引入，使科研范式从"人力驱动"跃迁为"智能协同"，让这些"国之重器"逐渐转变为具备智能推理、实时优化和跨学科知识发现能力的"科学大脑"。这种智能赋能的创新价值主要体现在4个方面：
1.通过自动化控制与数字孪生技术实时优化实验流程，显著提升实验精度并缩短科研周期；
2.依托跨模态解析技术打破海量异构数据孤岛，为科学假设与因果推理提供深层支撑；
3.借助领域基座模型与多智能体系统打破多学科壁垒，合力攻克重大系统性科学难题；
4.通过构建自主可控的智能化科研平台，不仅全面深化基础科学探索，更为国家能源、健康与国防等核心领域的安全构筑强有力的战略支撑。
在具体实现路径上，大科学装置的智能化构建起了从前期设计到在线优化、从数据解析到知识生成的全流程动态闭环。
1.实验准备阶段，由大语言模型与知识库驱动的智能科研助手（如HEPS-Bot）为研究人员提供跨平台方案推荐，有效降低了跨学科实验设计门槛，实现了从问题定义到装置匹配的一体化规划。
2.实验实施阶段，人工智能与先进机器人技术在硬件层面深度融合，实现了实验线站与谱仪的高度自动化操作；同时，基于多尺度分子模拟等技术构建了与物理实验深度耦合的数字孪生系统，使人工智能能够预测实验结果并动态调控参数。
3.实验数据解析阶段，面对TB至PB级的海量多模态数据，系统前瞻性地布局了用于格式标准化与自动标注的数据银行；采用视觉Transformer和图神经网络等跨模态大模型提取多源数据特征，并由多智能体系统统筹分配任务，实现了多束线数据的并行处理与高质高效解析。
4.知识生成阶段，系统构建了特定领域的基座大模型，深度融合多学科的实验数据与计算机模拟结果，使其具备强大的跨领域知识迁移与融合推理能力；结合科学知识图谱，模型能够生成可被验证的科学假设，极大地加速了复杂科学机制的理解进程。
目前，大科学装置智慧终端的相关应用已进入部分成熟且快速演进的阶段，在材料科学和结构生物学等领域取得了可验证的成效。未来，这些平台类大科学装置必将向着网络化、智能化方向进一步演化：将建立支持分布式人工智能代理的跨地区智能协作网络；培育覆盖海量结构化科学数据的通用基座大模型，推动"懂科学、会实验、能推理"的新型自主智能体发展；科研人员也将依托自然语言接口与多智能体系统形成认知协同，开启全流程对话式的人机共生科研新范式。最终，智慧终端将全面构建起"装置—数据—知识—应用"的全链条智能化科研新生态，成为引领国家重点产业发展和保障国家安全的坚实战略基石与核心科技引擎。
空间与核辐射环境中的辐射效应及防护技术研究
空间与核辐射环境广泛存在于深空探测、载人航天、核能系统及高能粒子加速器等重大工程中，其高能粒子辐射与复杂场分布对电子器件、结构材料及人员安全构成持续威胁。空间辐射主要