PulseAugur
中
实时 04:50:02

强化学习实时优化大型强子对撞机触发器

作者 PulseAugur 编辑部 · [2 个来源] ·

研究人员开发了一种强化学习代理，能够实时优化大型强子对撞机（Large Hadron Collider）的触发阈值。该系统改编自Group-Filtered Policy Optimization (GFPO)，旨在在遵守背景速率约束的同时最大化信号效率。在模拟数据上进行测试时，该代理将容差时间间隔提高了高达48%，并显示出2%的累积信号效率增益。至关重要的是，在没有进一步调整的情况下，同一代理在真实的CMS碰撞数据上取得了显著改进，标志着RL在这一环境中首次成功应用于触发控制。 AI

影响 展示了一种用AI优化复杂科学仪器的新方法，有望提高高能物理领域的数据收集效率。

排序理由 这是一篇详细介绍强化学习在科学仪器上新颖应用的学术论文。

在 arXiv cs.LG 阅读 →

AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →

强化学习实时优化大型强子对撞机触发器

报道来源 [2]

  1. arXiv cs.AI TIER_1 English(EN) · Zixin Ding, Shaghayegh Emam, Giovanna Salvi, Cecilia Tosciri, Abhijith Gandrakota, Jennifer Ngadiuba, Nhan Tran, Christian Herwig, David W. Miller, Yuxin Chen ·

    Learning to Trigger: Reinforcement Learning at the Large Hadron Collider

    arXiv:2606.23993v1 Announce Type: cross Abstract: High-throughput scientific facilities such as the Large Hadron Collider depend on real-time event filtering (\textit{triggering}) under tight constraints on bandwidth, latency, and storage. In practice, trigger menus are largely s…

  2. arXiv cs.LG TIER_1 English(EN) · Yuxin Chen ·

    Learning to Trigger: Reinforcement Learning at the Large Hadron Collider

    High-throughput scientific facilities such as the Large Hadron Collider depend on real-time event filtering (\textit{triggering}) under tight constraints on bandwidth, latency, and storage. In practice, trigger menus are largely static and hand-tuned and can become suboptimal as …

相关实体

相关话题