人工智能-远程-1个月

项目编号：【37718】
本项目从数据分析的角度出发，应用先进深度学习方法（Transformer、Mamba、GNN等）处理粒子探测器事件数据，以实现高精度的位置回归。具体分析流程及工程师要求如下：

一、数据特点与分析目标
探测器数据包含大量光子信息，每个事件的光子(hits)记录了到达时间、对应光电倍增管(PMT)的位置坐标、电荷等特征。这些光子分为两类：

切伦科夫光子：具有较高的定位价值，通常最早到达且受散射较少。

闪烁光子：出现时间较晚、各向同性且易受散射干扰。

数据分析目标为自动筛选高价值光子（如切伦科夫光子），显著提升事件顶点位置的预测精度。

二、分析方法与模型（两阶段端到端可微分）
阶段一：自动光子筛选
输入数据：完整事件所有hits数据（时间、PMT坐标、电荷信息）。

特征嵌入(Embedding)：MLP、Fourier映射或类似方法进行高维特征映射。

重要性评分网络：Transformer、Mamba或GNN计算光子的贡献分值。

自动Top-K选择：使用Gumbel-TopK等技术从大量hits中自适应选取K个高质量光子。

阶段二：精确位置回归
输入数据：阶段一精选的K个高质量光子。

高级分析模型：Transformer、LSTM、Mamba或MLP进一步提取精细时序与空间特征。

输出预测：事件顶点坐标(x,y,z)。

三、数据预处理与清理
PMT位置导入：通过外部PMT坐标文件构建映射表。

事件与光子筛选：应用物理标准过滤事件（光子数量、能量范围、时间窗口）。

四、完整脚本与实现要求
工程师要求：

以PyTorch写出能实现数据处理、特征工程、模型搭建与端到端训练及预测脚本；

提供完整脚本，包括数据加载、预处理、模型定义（Phase-1与Phase-2）、训练过程与结果评估；

可参考现有脚本进行开发优化；

代码结构清晰，注释明确，易于维护。

分析结果输出：

损失函数曲线、验证与测试的分辨率图表；

测试集预测坐标输出文件(test_set_DL.root)。

五、讨论与探索高级训练方法
鼓励讨论强化学习或其他先进训练技术（如自监督学习、自适应采样策略等）的潜在应用；

探索使用强化学习优化光子筛选策略，以进一步提升整体分析性能；

欢迎提出新模型与新分析方法的想法与建议。