Large Hadron Collider
PulseAugur coverage of Large Hadron Collider — every cluster mentioning Large Hadron Collider across labs, papers, and developer communities, ranked by signal.
- 2026-06-29 research_milestone The Large Hadron Collider is being upgraded to the High-Luminosity LHC, which will deliver ten times the luminosity. 来源
4 天有情绪数据
-
视觉Transformer在大型强子对撞机喷注分类方面优于CNN
研究人员探索了将视觉Transformer (ViTs) 应用于使用大型强子对撞机量热仪图像进行夸克-胶子喷注分类。他们的研究利用了模拟的CMS Open Data，构建了多通道喷注视图图像，以实现端到端学习方法。研究结果表明，基于ViT的模型，特别是像ViT+MaxViT和ViT+ConvNeXt这样的混合架构，在准确率、F1分数和ROC-AUC方面优于传统的卷积神经网络，因为它们能有效地捕捉喷注子结构内的长距离空间相关性。
-
AI利用归一化流加速大型强子对撞机探测器模拟
研究人员开发了一种使用微调归一化流（NFs）的新方法，以加速大型强子对撞机粒子探测器响应的模拟。该方法解决了ALICE零度量能器传统蒙特卡洛模拟的计算成本问题。通过采用迁移学习和针对不同粒子类型微调专用模型，新框架显著提高了模拟效率和准确性，在各种与物理相关的指标上均优于现有方法。
-
自监督ViT框架增强中微子探测器分析
研究人员开发了一种新的自监督预训练框架，使用稀疏Vision Transformer（ViT）为异构中微子探测器创建可重用表示。该方法在大型强子对撞机上FASERCal概念的模拟数据上进行了评估，与从头开始训练相比，显著提高了中微子味识别和动量回归等任务的性能。该方法展示了强大的数据效率，在标记数据量大大减少的情况下取得了可比的性能，并显示出对其他探测器技术和能量尺度的有效迁移能力。
-
新型轻量级基础模型NEXUS将对撞机物理AI适配至更广泛的科学应用
研究人员开发了NEXUS，一个专为对撞机物理设计的轻量级基础模型，它利用了从大型强子对撞机预训练的学习。该模型拥有约300万个参数，在运动学回归和事件分类等下游任务上表现出更高的准确性，即使在标记数据有限的情况下也是如此。NEXUS还显示出向引力波和洪水预报等领域进行多领域自适应的潜力，为科学应用提供了比Transformer模型更具计算效率的替代方案。
-
新的机器学习框架“Simplex Demixing”用于处理LHC的喷流味识别
研究人员开发了一个名为“simplex demixing”的新机器学习框架，以应对对撞机物理学中识别多种喷流味这一长期存在的挑战。该方法允许从M个数据样本中提取多达T种喷流味，且约束极少，超越了之前仅限于两类定义的局限。该框架在一个玩具问题上进行了演示，以推断喷流分数，然后被提议用于大型强子对撞机（LHC）的真实对撞机场景。
-
AI模型直接从LHC碰撞数据中学习标准模型物理学
研究人员开发了一种名为ShellFlow的基于Transformer的生成模型，可以直接从Large Hadron Collider收集的数据中学习粒子物理学标准模型的结构。该模型在ATLAS Open Data发布的约十亿次碰撞事件上进行训练，无需超出基本运动学公式的明确先验知识，即可重现各种物理现象。ShellFlow成功学习了粒子内运动学、双轻子共振、Weinberg角以及W玻色子和顶夸克的质量，证明了标准模型的重要部分可以直接…
-
新方法预测LHC模拟中的生成放大
研究人员开发了两种新方法来估计用于大型强子对撞机（LHC）模拟的生成网络中的统计精度。这两种方法，“平均放大”和“微分放大”，旨在了解生成模型在生成超出其训练集大小的数据时的性能，而无需广泛的留出数据集。初步应用于当前事件生成器表明，在特定的相空间区域，生成放大已经可行。
-
新型大型表格模型旨在克服结构化数据挑战
一种名为大型表格模型（LTM）的新型人工智能模型正在兴起，以解决当前大型语言模型（LLM）在分析结构化数据方面的局限性。虽然LLM在文本和图像生成方面表现出色，但它们在处理电子表格中常见的行和列格式时遇到困难，而这种格式对许多行业至关重要。人工智能初创公司Fundamental开发了NEXUS，这是一款专为表格数据设计的LTM基础模型，并获得了2.75亿美元的融资。与传统的机器学习算法相比，这种新型模型旨在为结构化数据分析提供更具确定…
-
新框架分析用于PDF拟合的神经网络训练
研究人员开发了一个使用神经切线核（NTK）的理论框架，用于分析用于部分子分布函数（PDF）拟合的神经网络的训练动力学。该方法提供了神经网络在训练过程中演变的解析描述，阐明了架构和实验数据的影响。它还提供了一种定量方法来理解不确定性如何从数据传播到拟合函数，并作为拟合方法学的诊断工具。
-
AI实现脑语交流；LHC关闭；电动滑板车无视英国禁令
一项新技术已被开发出来，无需手术即可通过脑电波进行交流。这项创新利用AI解读大脑信号并将其转化为语言，有可能彻底改变人机交互。此外，欧洲核子研究组织（CERN）的大型强子对撞机（LHC）在发现希格斯玻色子等之后，已进入长期停运以进行升级。另外，电动滑板车尽管被禁止上路，但仍在英国被宣传用于通勤，这引发了安全和监管方面的担忧。
-
大型强子对撞机升级为高亮度后继者
大型强子对撞机（LHC）正在进行重大升级，以换代其后继者高亮度LHC（HL-LHC）。虽然在很大程度上保留了其原始结构，但增强型机器的设计旨在提供比其前身高十倍的亮度。此次升级旨在提高对撞机的科学产出，尽管开发者保证其不会带来生存威胁。
-
强化学习优化大型强子对撞机中的实时触发器
研究人员开发了一种新颖的强化学习（RL）应用，用于大型强子对撞机（LHC）的实时事件过滤。通过将分组过滤策略优化（GFPO）应用于流式数据，RL代理可以动态调整触发阈值，以在保持目标背景率的同时最大化信号效率。该方法在应用于CMS Run 283408真实碰撞数据时，显示出显著的改进，横向能量触发器的容忍时间增加了56％，异常检测触发器的容忍时间增加了28％，标志着RL首次在此类环境中用于触发控制。
-
AI 框架利用分布式计算简化探测器设计优化
研究人员开发了一个新的 AI 辅助框架，用于优化探测器设计，该框架利用了生产和分布式分析 (PanDA) 系统。该框架集成了多目标贝叶斯优化和 PanDA 的工作流引擎，以管理跨各种计算资源的复杂模拟。该系统在高维参数空间探索方面展示了改进的自动化、可扩展性和效率，并成功应用于电子-离子对撞机的 ePIC 和 dRICH 探测器。
-
新的机器学习算法Profile OmniFold增强粒子物理数据校正
研究人员开发了一种名为Profile OmniFold的新机器学习算法，以提高展开的准确性。展开是粒子物理学中用于校正测量数据因探测器效应而产生偏差的过程。这种新方法通过纳入扰动参数（用于解释探测器前向模型中的不确定性）扩展了现有的OmniFold算法。Profile OmniFold的有效性通过高斯示例和使用大型强子对撞机CMS实验模拟数据的案例研究得到了证明。
-
强化学习实时优化大型强子对撞机触发器
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，…
-
随着中微子干扰遮蔽WIMP探测，暗物质搜寻范围扩大
物理学家们正在扩大对暗物质的搜寻范围，因为目前的实验，例如那些在地下深处使用液态氙探测器的实验，越来越多地探测到的是中微子而非那些难以捉摸的粒子。这种“中微子迷雾”使得在先前预期的地方寻找弱相互作用大质量粒子（WIMPs）变得困难。在大型强子对撞机（Large Hadron Collider）等设施以及地下实验中缺乏直接探测，促使了包括量子传感器和轴子探测实验在内的各种新搜寻策略的出现，这反映了在理解宇宙构成方面，研究方法已从狭窄的焦…
-
新研究探索用于神经网络分析的对抗性方法
研究人员开发了用于理解和操纵神经网络的新方法。一种方法，对抗性依赖最小化（ADM），使用对抗性博弈来创建统计上独立的特征表示，从而提高泛化能力并防止维度坍塌。另一种方法，MiniFool，采用基于物理约束的对抗性攻击来测试神经网络在粒子物理学等科学领域的鲁棒性，并展示了其在 MNIST 和 CMS 实验数据等数据集上的适用性。
-
Transformer 模型针对 AMD Versal AI 引擎上的喷注标记进行了优化
研究人员开发了一种方法，将 transformer 模型部署到 AMD Versal AI 引擎上进行喷注标记，这是大型强子对撞机触发系统的一个组成部分。该方法将模型量化为仅使用整数，并将密集层和多头注意力层映射到 AI 引擎块。该项目还包括一个可重用的软件框架，允许将 transformer 层表示为可组合的 AI 引擎构建块，并从 Python 描述自动生成 Vitis 图代码。该框架作为开源软件提供。
-
Transformer 模型针对 AMD AI 引擎上的 CERN 喷注标记进行了优化
研究人员开发了一种方法，将 transformer 模型部署到 AMD Versal AI 引擎上进行喷注标记，这项任务对于 CERN 大型强子对撞机的触发系统至关重要。该方法涉及一个量化的、仅整数的 transformer，它将密集和多头注意力层映射到 AI 引擎块。一项关键贡献是一个可重用的软件框架，可以从 Python 模型描述生成 Vitis 图代码，从而支持未来的研究并提供开源解决方案。
-
新的自监督方法增强了高能物理中的喷注辨识能力
研究人员开发了 JetParticle-JEPA (JP-JEPA)，一种用于高能物理喷注辨识的新型自监督学习方法。该方法基于 Particle Transformer 构建，可以直接从粒子数据中学习有意义的表征，而无需广泛的标记数据集。在 JetClass 等基准测试中，JP-JEPA 的性能与监督方法相当，并且在面对探测器错误建模和数据限制时表现出更强的鲁棒性。