Decoding cosmic signals with deep learning and Keras

import keras
from keras import layers

# =========================
# Temporal Model (LSTM part)
# =========================
class TemporalModel(keras.Model):
   def __init__(self):
       super().__init__()
       self.lstm1 = layers.TimeDistributed(
           layers.TimeDistributed(
               layers.Bidirectional(layers.LSTM(30, return_sequences=True))
           )
       )
       self.lstm2 = layers.TimeDistributed(
           layers.TimeDistributed(layers.LSTM(10, return_sequences=False))
       )

   def call(self, x):
       x = self.lstm1(x)
       x = self.lstm2(x)
       return x

from keras.layers import Conv2D as ConvHex2D

# =========================
# SpatialModel: DenseNet-like
# =========================
class SpatialModel(keras.Model):
   def __init__(self, n_layers=3, n_filters=32):
       super().__init__()
       self.n_layers = n_layers
       self.convs = []

       for _ in range(n_layers):
           self.convs.append(
               ConvHex2D(n_filters, (3, 3), padding="same", activation="elu")
           )

   def call(self, x):
       dense_inputs = [x]

       for conv in self.convs:
           concat = layers.concatenate(dense_inputs)
           out = conv(concat)
           dense_inputs.append(out)

       return layers.concatenate(dense_inputs)

# =========================
# 个体任务模型
# =========================
def residual_unit(inp, nfilter, bottleneck=False):
   x = inp

   if bottleneck:
       x = layers.Conv2D(nfilter, (1, 1), padding="same")(x)

   shortcut = x

   x = ConvHex2D(nfilter, (3, 3), padding="same")(x)
   x = layers.Activation("relu")(x)
   x = ConvHex2D(nfilter, (3, 3), padding="same")(x)

   x = layers.Add()([x, shortcut])
   return layers.Activation("relu")(x)

# =========================
# 多任务塔
# =========================
class MultiTaskTower(keras.Model):
   def __init__(self, nfilter=108):
       super().__init__()
       self.nfilter = nfilter

   def call(self, x):
       x = residual_unit(x, self.nfilter)
       x = residual_unit(x, self.nfilter)
       x = layers.AveragePooling2D((2, 2))(x)
       x = residual_unit(x, 2 * self.nfilter, bottleneck=True)
       x = residual_unit(x, 2 * self.nfilter)
       x = layers.GlobalAveragePooling2D()(x)
       return x

# =========================
# 输入
# =========================
trace_input = keras.Input(shape=(13, 13, 120, 3), name="TraceInput")
time_input = keras.Input(shape=(13, 13, 1), name="TimeInput")
state_input = keras.Input(shape=(13, 13, 1), name="StateInput")

# =========================
# 前向传播
# =========================
trace_encoder = TemporalModel()
dense_block = SpatialModel()  # 所有任务共享的空间模型
tower = MultiTaskTower()  # 每个任务的独立塔结构

processed_traces = trace_encoder(trace_input)

x = layers.concatenate([processed_traces, time_input, state_input])
x = dense_block(x)
X = tower(x)

energy_output = layers.Dense(1, name="energy")(x)
xmax_output = layers.Dense(1, name="xmax")(x)
shower_core_output = layers.Dense(3, name="shower_core")(x)
shower_direction_output = layers.Dense(3, name="shower_direction")(x)

# =========================
# 最终 Keras 模型
# =========================
full_model = keras.Model(
   inputs=[trace_input, time_input, state_input], outputs=[xmax_output, energy_output, shower_core_output, shower_direction_output]
)

print("模型摘要:")
full_model.summary()

这个端到端训练的多任务网络，通过物理模拟训练，实现了前所未有的突破：利用一个从未设计用于测量宇宙射线成分的探测器，获得了比现有望远镜观测数据大十倍的数据集，并首次实现了此前无法测量的高能区域。若要通过望远镜观测达到类似结果，需要大约100年的连续观测。

研究结果证实了宇宙射线在最高能量下逐渐变得更重，推翻了长期以来"纯质子是宇宙中最 energetic 粒子"的假设。更令人惊讶的是，测量结果揭示了成分随能量演化的特征结构：其演化模式与已知的宇宙射线能谱结构存在显著对应关系，这为探索宇宙中极端粒子的加速机制和位置提出了全新问题。

这种深度的洞察力原本预计要在AugerPrime探测器升级完成后才能实现，其提前出现令人瞩目，预示着深度学习、Keras框架与AugerPrime探测器结合的宇宙射线探测新时代即将到来。

## 更广阔的图景：深度学习在天体粒子物理中的应用

深度学习的成功应用不仅局限于单一实验。例如在冰立方观测站，深度学习同样改变了事件重建和选择过程，帮助发现了来自银河平面的中微子。在许多物理实验中，传统重建算法难以处理复杂的事件几何结构，迫使物理分析不得不排除大量数据以保持质量。相比之下，深度学习能够恢复之前无法使用的事件，使更多观测数据得以快速高效分析，从而实现及时的后续观测。在皮埃尔·奥格观测站和冰立方两个实验中，深度学习使可利用观测数据量增加了十倍。换算一下：运行十年的探测器获得十倍数据量，相当于运行同一个探测器一百年的观测效果。这种有效统计量的飞跃相当于主要探测器升级或建设全新观测站所能带来的效果，而这些项目通常需要100万到1000万美元的投入。深度学习在天体粒子物理中的应用才刚刚开始，随着越来越多的观测站将其纳入重建流程，未来将有更多突破。我们现有的探测器或许还将揭示那些我们甚至尚未想到要寻找的现象……

一个持续存在的挑战是不完美的物理模拟与真实探测器数据之间的不匹配，这在很大程度上限制了深度学习在物理领域的表现。在模拟条件无法完全反映真实探测器环境的情况下训练的模型，使得算法与独立探测器之间的领域自适应和谨慎的交叉验证变得必不可少。因此，使用独立探测器对深度学习算法进行专门校准至关重要，可以结合领域自适应技术弥合数据与模拟之间的差距。同样重要的是对不确定性进行精确量化；与许多工业应用不同，物理学家需要非常精确的不确定性估计来验证假设并评估发现的可能性，这需要详细研究来量化模型不确定性，特别是在模拟与数据之间存在领域偏移时。

未来，能够促进多种任务的基础模型（如事件重建、模拟和展开）在多个实验中进行预训练，对多信使天文学具有巨大潜力。在多信使天文学中，来自多种信使（宇宙射线、中微子和引力波）的信号被结合使用，以提高整体模型性能、获得一致的图像，并在最高能量尺度上为宇宙探索开辟新的窗口。这与领域知识和归纳偏置的实现密切相关。将此类知识和物理对称性编码到神经网络架构中已被证明至关重要，原因在于物理领域的模拟数据集通常远小于计算机视觉或自然语言处理领域的数据集，例如在现代硬件上模拟单个高能粒子簇可能需要长达一周的时间。在上述Keras模型的开发过程中，RNN和CNN曾是前沿技术。如今，图神经网络或点云转换器可能更适合处理旋转对称性和稀疏、不规则的足迹，而转换器将取代LSTM以避免其计算成本高昂的结构。

在人工智能与物理交叉领域工作的社区正越来越多地面临Sutton的“苦涩教训”。历史上，利用大规模计算的高效方法已优于基于人类知识的解决方案。在物理领域，其核心已包含基本对称性超过100年，但在许多情况下，更多的训练数据和高效的扩展能力可以超越基于物理启发的架构。对物理学家而言，这种成功不仅是苦涩的，也是出人意料且令人困惑的，表明实施领域知识可能不是最终目标，而是中间步骤和进步的标志，或许使这成为一种颇为苦涩但又充满希望的教训。

最后，我们对“做科学”这一概念的定义仍存在持续的矛盾。作为人类，我们的认知和生理能力有限，这促使我们更倾向于“看起来简洁优美”的方程。机器学习的“黑箱模型”虽然能以更优越的性能解决复杂问题，但很可能会以牺牲物理洞察力和解释能力为代价来换取这种精确性。归根结底，我们希望算法能够像人类一样进行发现：自主揭示因果机制、对称性以及物理定律，而不是仅仅优化已观测数据预测能力的系统。科学探索与训练机器执行类似任务本质上存在差异，这并非坏事；事实上，它们是强大的工具。但这也提醒我们，人类的知识体系追求的是理解本身，而不仅仅是预测精度的优化。当前显而易见的这种矛盾，预示着人工智能与基础科学交叉领域研究将拥有更加激动人心的未来。

## 行动呼吁

若想深入了解，可以阅读发表在[JINST](https://jinst.org)和[Physical Review Letters](https://journals.aps.org/prl)上的原始研究成果。

对于希望在实践中应用这些理念、了解如何在Keras中快速构建物理模型、获取物理领域特定教程以及更全面领域概述的读者，欢迎访问[deeplearningphysics.org](https://deeplearningphysics.org)。

## 参考文献

[1] Pierre Auger Collaboration, Auger Open Data Portal ——皮埃尔·奥热天文台示意图（1600个水切连科夫表面探测器和24个荧光望远镜，阿根廷门多萨省）。https://opendata.auger.org（访问时间：2026年8月）

[2] Pierre Auger Collaboration, "Photos — Galleries," 皮埃尔·奥热天文台，根据CC BY-SA 4.0国际许可证发布；使用需遵守天文台媒体指南。https://www.auger.org/component/content/article/93-photos?catid=82&Itemid=435（访问时间：2026年8月）

[3] Pierre Auger Collaboration, Auger Open Data ——事件展示，重建的宇宙射线空气簇射事件（ID 141316557800），交互式地面阵列/FADC波形/LDF/FD轮廓查看器。https://opendata.auger.org/display.php?evsel=1&nbmin=20&evid=141316557800（访问时间：2026年8月）

[4] IceCube Collaboration/NSF, "Neutrino IC170922 in IceCube," 2017年9月引发耀变体TXS 0506+056多信使探测的艺术渲染图，见于ECAP新闻文章《多信使天体物理学重大突破》，2018年7月12日。https://ecap.nat.fau.de/index.php/breakthrough-in-multimessenger-astrophysics/

[5] IceCube Collaboration, "Schematic view of a neutrino detected in IceCube," 探测器画廊，IceCube中微子观测站，威斯康星大学麦迪逊分校/NSF。https://icecube.wisc.edu/gallery/detector/

[6] G. Pérez Diaz（IAC）/ M.-A. Besel（CTAO）/ ESO / N. Risinger（skysurvey.org）, "拟议的CTA望远镜"，艺术家对ESO帕拉纳尔天文台约99台切连科夫望远镜南半球站点的渲染图，发布于2020年8月26日。https://www.eso.org/public/images/2020-cta-paranal-comp-8k-trans-cc/

[7] K. Kosack（CEA Paris-Saclay）等, "ctapipe入门"，ctapipe文档（CTA天文台）。https://ctapipe.readthedocs.io/en/latest/auto_examples/tutorials/ctapipe_handson.html

发布于：

- AI

- 案例研究

- 社区

- 学习

- 探索

上一篇

下一篇

相关文章

列表

AI

案例研究

操作指南

在TPU上运行Ray，第2部分：Ray AI库

2026年7月24日

云

公告

最佳实践

在云TPU上进行长上下文多模态嵌入推理的企业级精度

2026年8月26日

学习

如何在ADK中评估实时与语音代理

2026年8月24日

HeyGen x Google Cloud：将Avatar IV引入TPU

2026年8月13日

导航点