high energy physics
PulseAugur coverage of high energy physics — every cluster mentioning high energy physics across labs, papers, and developer communities, ranked by signal.
1 天有情绪数据
High-energy physics concepts will be increasingly applied to explain deep learning architectures
Recent evidence shows high-energy physics (HEP) theories like lattice gauge theory and effective field theory being used to frame and analyze deep neural networks. This suggests a growing trend where HEP concepts provide novel theoretical underpinnings for understanding complex AI models, potentially leading to new architectures or training methodologies inspired by physics.
Pairton framework shows promise for advanced particle reconstruction in HEP
The development of the Pairton framework, which models particle reconstruction as a masked prediction process on graph structures, represents a significant advancement. Its success in reconstructing $t ar{t}$ decays indicates a strong potential for improving the accuracy and efficiency of particle identification and analysis in future high-energy physics experiments.
KANs will be adopted for detailed comparative analysis of physics simulation tools
The successful application of additive Kolmogorov-Arnold Networks (KANs) to dissect differences between Pythia and Herwig event generators highlights their utility for fine-grained analysis. This suggests KANs could become a standard tool for understanding discrepancies and validating other complex physics simulation software.
-
AI代理利用强化学习应对高能物理学挑战
研究人员引入了一个新的框架,利用强化学习(RL)训练代理AI模型来应对复杂的高能物理学(HEP)挑战。该方法侧重于具有自动化奖励的开放式优化任务,旨在推动AI代理在当前能力之外实现自我改进。概念验证表明,一个小型语言模型可以通过RL反馈在没有人为干预的情况下提高其性能,这为AI自主发现科学解决方案指明了方向。
-
新的对比度学习方法改进了粒子流的点云分割
研究人员开发了一种新的点云分割聚类方法,该方法使用监督对比度度量学习(CML)。该方法学习一个潜在表示,其中相似的对象被分组在一起,从而实现灵活的聚类形成。在对高能物理中高精度量热计的模拟数据进行评估时,CML方法在分离粒子流方面表现出优于对象凝聚(OC)的性能。CML方法显示出更好的稳定性、可分离性和泛化能力,从而提高了重建效率、纯度和能量分辨率,尤其是在复杂、重叠的粒子流场景中。
-
新的RINO方法利用重整化群进行物理学中的自监督学习
研究人员推出了一种新颖的高能物理自监督学习方法RINO,该方法利用了喷流形成的尺度间结构。与先前的方法不同,RINO利用重整化群原理和DINO风格的自蒸馏,创建了用于在无标签数据上训练的物理基础视图。这种方法显著提高了模型向真实世界对撞机数据的可迁移性,其性能优于现有的自监督基线,甚至在仅使用少量标签数据的情况下也能媲美完全监督的训练。
-
人工智能成为理论科学的默认工具,并扩展到数学之外的领域
人工智能正日益成为理论科学的主要工具,并已从数学领域扩展到经济学和高能物理学等领域。研究人员认为,人工智能可能很快成为解决各种科学领域复杂理论问题的默认方法。这一转变表明人工智能更广泛地融入了基础科学研究。
-
AI 代理在人类指导下成功重新发现复杂的科学方程
研究人员探讨了 AI 代理如何发现科学方程,并以水体公式为例进行了研究。他们发现,虽然单个 AI 代理难以推导出完整的公式,但一个由主导代理和两个研究代理组成的协调工作流程成功地重新发现了它。这种团队式方法还促成了在高能物理学中发现一个新的六点振幅解析表达式。
-
自监督学习增强物理学中的共振质量回归
研究人员开发了一种使用VICReg预训练的Transformer编码器的自监督学习方法,以改进高能物理学中的共振质量回归。该方法旨在克服传统监督学习的局限性,后者在对撞机实验中常常难以处理系统不确定性和分布变化。与监督模型相比,预训练模型在实际的腐蚀和SUSY类级联衰变中的重共振下表现出更稳定的性能和更尖锐的共振峰。
-
AI工具充当人类思维过程的显微镜,实现自我观察
作者提出,AI工具,特别是像Claude Code这样记录交互的工具,可以作为观察自身思维过程的强大显微镜。这种方法类似于科学的观察、假设、验证和纠正的过程,使个人能够看到以前看不见的思维模式。通过回顾过去的对话和决策,用户可以识别反复出现的习惯,理解他们排除某些方法的原因,并最终改变他们的模式以改善解决问题和沟通能力。
-
深度学习模型加速物理数据最优传输计算
研究人员开发了一种新颖的深度学习模型,称为度量感知粒子流网络(Metric-Aware Particle Flow Network),旨在近似复杂数据集的最优传输计算。该模型采用深度集合(Deep Sets)架构构建,并融入了特定的归纳偏置,旨在加速大规模数据的分析,尤其是在高能物理领域。通过强制执行非负性和零自距离等几何属性,该网络在推理速度上相比现有方法有了显著提高,同时保持了高精度,证明了针对几何保真度进行特定神经网络约束的有效性。
-
物理学研究将深度神经网络构建为格点规范理论
研究人员开发了一个新颖的框架,将深度神经网络概念化为格点规范理论,并借鉴了高能物理学的类比。该方法修改了现有的神经网络/量子场论对偶性,以纳入神经网络的层状排列对称性。在此模型中,每个神经元层充当格点站点,权重矩阵充当规范场。该研究详细介绍了神经元-神经元传播子的计算,并引入了用于1/N微扰分析的费曼图机制,为理解深度网络中的信息传播提供了理论基础。
-
将物理学理论应用于扩散模型以分析信息传播
研究人员将有效场论(一种高能物理学工具)的原理应用于卷积架构的评分匹配扩散模型。该方法将去噪过程视为与布朗运动类似。研究表明,这些模型中点之间的互信息增长方式符合有效场论的预测,并在一个玩具示例和MNIST数据集上得到了验证。
-
新的KAN方法解剖了Pythia-Herwig在物理事件生成中的差异
研究人员开发了一种新的方法,使用加性Kolmogorov-Arnold网络(KANs)来分析高能物理事件生成器(如Pythia和Herwig)之间的差异。这种方法允许分阶段的功能分析,将差异分解到模拟的各个层面,从硬散射到强子化。研究发现,多重性的差异在淋浴层面很突出,而在强子化后,喷流质量和形状变得更加重要,在完整的生成器配置中出现混合结构。这个基于KAN的框架提供了生成器模型依赖性的详细功能解剖,揭示了持续的结构和支持失败。
-
神经网络构建自旋共形场,恢复麦克斯韦共形场论
研究人员开发了一种使用神经网络和嵌入形式主义来构建自旋共形场的方法。该方法允许计算二点、三点和四点函数,并在此基础上扩展了现有的标量共形场技术。在具有独立同分布神经元的特定场景下,该方法在无限宽度极限下成功地重现了四维麦克斯韦共形场论。
-
Pairton框架推动高能物理粒子重建进展
研究人员开发了Pairton,一种用于重建高能碰撞事件中短寿命粒子的新颖迭代框架。该方法将粒子重建建模为图结构上的掩码预测过程,学习条件分布来预测粒子衰变关系。Pairton利用基于pairformer的架构,在全强子化的 $tar{t}$ 衰变上实现了最先进的性能,并提供了一种适用于各种粒子拓扑的灵活范式。
-
符号回归自动化高能物理数据函数发现
研究人员开发了一种新的符号回归方法,可以自动发现用于模拟高能物理 (HEP) 数据的参数函数。这种方法自动化了以前手动和直观的数据分析函数查找过程。为高能物理用例设计的 SymbolFit 包已在 CMS 和 ATLAS Run 2 喷注谱上进行了演示,成功生成了许多能很好拟合数据的函数,甚至重新发现了已发表搜索中使用的函数。
-
Quantum Autoencoders Accelerated on FPGAs for Real-Time Anomaly Detection
研究人员开发了一种方法,用于加速量子自编码器模型,以在粒子对撞机实验中进行实时异常检测。这些能够处理复杂对撞机数据的模型被合成了现场可编程门阵列(FPGA)。FPGA实现满足了未来对撞机触发系统所需的资源和时序约束,展示了与当前经典方法相当的性能,并推动了量子机器学习与实验基础设施的整合。
-
机器学习应用于高能物理拟合的新讲义
研究人员发布了新的讲义,详细介绍了机器学习(ML)代理模型在 고에너지 물리학 统计拟合中的应用。这些讲义概述了一个全面的 ML 工作流程,包括使用提升决策树(Boosted Decision Trees)来近似似然函数,以及使用高斯过程(Gaussian processes)进行主动学习以高效生成数据。该方法在 Belle II 实验的 $B^\pm \to K^\pm \nu \bar{\nu}$ 异常分析中得到验证,展示了 ML…
-
新的AI智能体可自动执行复杂的格子QCD研究工作流
研究人员开发了LQCDMaster,一个用于自动执行格子量子色动力学(LQCD)研究的智能体科学计算工具。该系统将自然语言研究任务转换为可执行的PyQUDA工作流,将实现时间从数小时显著缩短到数分钟。LQCDMaster表现出高精度,在70项任务中的63项成功复现了专家编写的实现,并实现了新的科学探索,例如计算以前无法获得的量。
-
机器学习框架增强物理学和宇宙学中的参数推断
研究人员开发了一个新的机器学习框架,用于模拟高能物理学和宇宙学中复杂的似然景观。该框架利用XGBoost高效探索高维参数空间,在计算速度和置信区域分辨率方面具有优势。该方法已在半轻衰变的B介子中得到验证,并可适用于其他系统,如类轴子粒子。SHAP值被用于确保机器学习预测的透明度和物理可解释性。
-
机器学习增强高能物理硅传感器数据重建
研究人员开发了机器学习技术,以改进高能物理中使用的阻性硅传感器的全波形数据重建和压缩。该研究探讨了循环神经网络(特别是LSTM层)用于全波形重建,并考虑了其在现场可编程门阵列(FPGA)上的部署。此外,该工作还研究了基于Transformer的拓扑无关架构,旨在保持高位置分辨率并指导未来的传感器设计。
-
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。