high energy physics
PulseAugur coverage of high energy physics — every cluster mentioning high energy physics across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
图神经网络应用于优化和物理学问题 · 跟踪2个来源
研究人员正在探索图神经网络（GNNs）在组合优化和理论物理学等传统角色之外的应用。一项研究表明，GNNs可以作为欧几里得旅行商问题的有效启发式方法，通过一次前向传播学习生成完整的路径，计算成本极低。另一篇论文将GNNs（包括图Transformer）应用于高能物理学中的大规模图分类问题，取得了高精度，并提供了显著的数据压缩以加快计算速度。
-
引入用于参数相关密度变形的可因子化归一化流 · 跟踪到2个来源
研究人员引入了可因子化归一化流（FNFs），这是一种新颖的方法，旨在模拟概率密度如何随连续参数变化。这种方法解决了为每种参数配置学习单独流的难以处理的问题，尤其是在高能物理等领域。FNFs通过将参考配置的固定流与可学习的、在参数上是多项式和可因子化的变换相结合来实现这一点，从而允许孤立地学习每个参数的影响。该方法提供了可解释性，与参数数量呈线性关系，并保持了可处理的似然性，为科学推理中的密度变形提供了一个通用工具。
-
HEPTv2 Transformer 在粒子重建领域达到最先进水平
研究人员开发了HEPTv2，这是一种端到端的点Transformer架构，专为高能物理中的带电粒子重建而设计。该新模型绕过了传统的图构建和辅助阶段，优化了整个流水线的速度和准确性。HEPTv2 在 TrackML 基准测试中取得了最先进的性能，在跟踪效率方面取得了显著改进，并大幅减少了推理时间和内存使用量。
-
迁移学习提升高能物理领域AI模型效率
研究人员探索了迁移学习技术以提高高能物理领域机器学习模型的性能。通过在计算成本较低的快速模拟数据上预训练模型，然后将其适配到更真实、完全模拟的数据集上，他们发现了显著的改进。这种方法通常能将分类和喷注识别等各种任务所需的靶域训练数据量减半，证明了可重用科学资产的价值。
-
物理学中的神经网络易受隐藏系统误差影响
研究人员发现，用于高能物理分析的神经网络模型存在一个重大的漏洞。这些模型虽然强大，但可能会被实验不确定性范围内的细微输入扰动系统性地误导。这种敏感性可能导致对模型真实不确定性的低估，从而可能在物理学结果中引入未考虑到的偏差。该研究提出了一个量化框架来衡量和控制这种隐藏的敏感性，旨在提高神经网络在科学研究中的可靠性。
-
新框架支持在复杂科学工作流中进行异步人机协作
研究人员开发了HepScript，一种领域特定语言（DSL），旨在促进高能物理数据分析中的人机协作。该DSL将复杂的分析逻辑抽象为人类专家和AI代理都能理解的正式语法，显著减少了人工编写代码的需求。在案例研究中，HepScript使AI代理能够从文献中生成可执行的分析规范，并取得了很高的成功率，展示了将AI集成到科学工作流中的可扩展途径。
-
新物理框架连接信息几何、喷注子结构和超图
研究人员引入了一个新颖的框架，将信息几何与高能物理中的喷注子结构分析联系起来。这项工作展示了累积量张量、能量相关器和超图之间的三元性，为表示复杂的观测模式提供了一种新方法。所提出的方法增强了区分不可约辐射模式与简单成对相关性的能力，并为压缩观测基提供了原则性方法。