PulseAugur
中
实时 19:13:20
实体 Large Hadron Collider

Large Hadron Collider

PulseAugur coverage of Large Hadron Collider — every cluster mentioning Large Hadron Collider across labs, papers, and developer communities, ranked by signal.

Show in brief
总计 · 30天
6
90 天内 40
发布 · 30天
0
90 天内 0
论文 · 30天
4
90 天内 33
层级分布 · 90 天
主题
关系
时间线
  1. 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
情绪 · 30 天

2 天有情绪数据

最近 · 第 1/3 页 · 共 44 条
  1. TOOL · CL_342337 ·

    深度集合模型增强大型强子对撞机上的喷注拒绝 · 跟踪1个来源

    研究人员开发了DIPz,一种利用深度集合来改进高能物理实验中喷注拒绝的机器学习模型。该模型通过分析带电粒子轨迹来估计喷注的起源,并将这些预测组合成一个事件级的判别器。DIPz在大型强子对撞机第三次运行时部署,已成功将背景速率降低了50%以上,并将CPU消耗减少了约三分之一,从而增强了多喷注末态的选择。

  2. TOOL · CL_336364 ·

    新的机器学习方法增强了大型强子对撞机上的粒子搜索

    研究人员开发了一种名为 MASSIB(模型无关搜索,通过模糊化和不完美背景)的新机器学习方法,以改进大型强子对撞机上新粒子的搜索。该方法无需预先了解信号或背景分布,即可识别富含信号事件的信号区域。MASSIB 使用“模糊化”的密度比来定义这些区域,即使存在模型错误也能准确估计背景。该方法已在模拟的 LHC 事件中证明了其有效性,始终能实现高信号集中度和强大的信号检测统计能力。

  3. RESEARCH · CL_315156 ·

    基础模型为物理和推荐领域的高效人工智能应用进行了提炼

    研究人员正在探索将大型基础模型提炼成更小、更高效的版本以用于特定应用的方法。一项研究侧重于为大型强子对撞机的喷注标记提炼模型,证明即使是只有几千个参数的模型也能匹配或超越更大模型的性能,同时显著降低推理成本。另一篇论文介绍了OneLatent,一个将大型语言模型的显式推理痕迹压缩为潜在令牌以用于高效推荐系统的框架,与现有方法相比,在性能和推理吞吐量方面有了显著的改进。

  4. SIGNIFICANT · CL_309201 ·

    CERN与Mistral AI合作,推进科学领域的人工智能发展

    CERN与Mistral AI已建立战略合作伙伴关系,以推进科学研究中的人工智能。此次合作旨在开发用于科学发现的基础模型,初期将重点关注高能物理学。该伙伴关系将结合CERN的海量科学数据和计算基础设施与Mistral在训练大规模人工智能模型方面的专业知识,以创建一个用于分析粒子碰撞的“大型物理模型”。

  5. SIGNIFICANT · CL_302617 ·

    欧洲核子研究中心与Mistral AI合作开发用于LHC数据的大型物理模型

    欧洲核子研究中心(CERN)和Mistral AI宣布建立战略合作伙伴关系,共同开发大型物理模型(Large Physics Model),这是一种专为科学应用设计的AI基础模型。此次合作旨在利用AI处理像大型强子对撞机(Large Hadron Collider)这样的粒子加速器产生的海量数据。该模型将以模拟粒子碰撞数据进行训练,并旨在取代用于重建碰撞、识别粒子和标记异常等任务的多个专用算法,可能为其他科学领域类似的AI应用铺平道路。

  6. TOOL · CL_294354 ·

    新的AI方法增强了HL-LHC新物理的异常检测能力

    研究人员开发了一种在High Luminosity Large Hadron Collider (HL-LHC)粒子物理实验中进行异常检测的新方法。该方法利用碰撞事件的学习表示来识别超出标准模型的新物理现象。该方法在COLLIDE-2V数据集上进行了评估,结果表明监督学习目标通常优于自监督学习目标,提高了信号效率。还引入了一个新颖的诊断流程来分析标记的事件,区分新物理与探测器效应,并识别用于进一步研究的关键可观测量。

  7. COMMENTARY · CL_277430 ·

    纽约市交流电池、美国导弹探测结束及多元科学新闻集锦

    该集锦汇集了多条不同的科技新闻。其中一篇文章详细介绍了纽约市的窗式空调免费电池计划,并指出 Every Electric 的电池在宠物中很受欢迎。另一篇报道涵盖了美国军方结束一项长期存在的核导弹发射探测计划,该计划自 2011 年以来已启用一个较新的系统,并且预计一年内将推出下一代系统。最后,一项研究集锦重点介绍了各种科学故事,包括大型强子对撞机上的现象、冰河时代的精神活性物质使用以及在火星上建造栖息地的酵母的潜在用途。

  8. TOOL · CL_259395 ·

    为LHC基础模型揭示新的自监督预训练方法

    研究人员开发了一种新颖的自监督预训练方法,用于大型强子对撞机(LHC)的基础模型。这种数据驱动的方法利用能量移动距离(EMD)根据相似性配对事件,无需传统的 数据增强。通过根据相似性匹配不同的事件,该方法在不改变事件保真度或需要计算密集型模拟的情况下学习不变性。在QCD喷注上的实验表明,这种无增强配对方法可以产生具有下游区分能力的语义喷注嵌入,其性能可与现有基于增强的基线相媲美或超越。

  9. TOOL · CL_245589 ·

    最优传输图校准粒子物理学中的机器学习模拟

    研究人员开发了一种新颖的校准方法,使用最优传输图来解决粒子物理学中机器学习模拟与实验数据之间的差异。该方法应用于受大型强子对撞机CMS实验启发的、高维喷注标记数据,有效地校准了内部表示。校准后高维表示能够无偏地利用基础模型,并为LHC分析中的喷注味信息开辟了新的应用,对纠正跨科学领域的**高维模拟**具有更广泛的影响。

  10. TOOL · CL_245524 ·

    新的机器学习方法加速粒子加速器的不确定性量化

    研究人员开发了一种新颖的经验贝叶斯方法,用于灵活、异方差谱归一化神经高斯过程的超参数进行高效调优。该技术显著降低了复杂机器学习模型相关的计算成本,使其更适用于大规模科学应用。该方法已成功应用于粒子加速器的动态孔径预测,特别是针对CERN的大型强子对撞机,为传统的计算密集型方法提供了一种更具成本效益的替代方案,同时保持了具有竞争力的性能和准确的不确定性估计。

  11. TOOL · CL_245476 ·

    新AI方法检测粒子碰撞数据中的异常

    研究人员开发了一种新的无监督异常检测方法,用于粒子物理学中的喷注事件,使用了基于似然性的归一化流密度估计。该技术在大型强子对撞机CMS实验的高维数据上训练一个归一化流模型,以学习标准模型背景。在此模型下似然性得分低的事件被标记为潜在异常,在本研究中,这些异常显示出喷注子结构和事件拓扑的偏差,而不是一个明显的质量峰值。

  12. TOOL · CL_219106 ·

    使用符号回归将LHC限制集成到BSM物理全局拟合中

    研究人员开发了一种方法,将大型强子对撞机(LHC)的排除限纳入超越标准模型(BSM)物理的在线全局拟合中。该方法使用符号回归推导出分类现象学最小超对称标准模型(pMSSM)参数空间的数学表达式,使得实时参数扫描能够计算可行地包含LHC Run-2限制。该技术通过ATLAS对电弱粒产生搜索的约束进行了演示。

  13. TOOL · CL_208688 ·

    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。

  14. RESEARCH · CL_200197 ·

    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。

  15. TOOL · CL_198333 ·

    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。

  16. TOOL · CL_174138 ·

    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。

  17. TOOL · CL_171924 ·

    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。

  18. TOOL · CL_152030 ·

    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…

  19. TOOL · CL_141709 ·

    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。

  20. RESEARCH · CL_134075 ·

    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…