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
9 天有情绪数据
-
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…
-
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。
-
SNAC-Pack 自动化 FPGA 的神经架构搜索
研究人员开发了 SNAC-Pack，这是一个开源框架，旨在自动化专门用于 FPGA 的神经架构搜索 (NAS) 过程。该软件包通过考虑简单的准确性或代理指标之外的多维硬件预算，解决了现有 NAS 方法的局限性。SNAC-Pack 采用多目标全局搜索和硬件代理模型来估算资源利用率和延迟，从而显著减少了 FPGA 部署所需的时间和精力。
-
受量子启发的算法提升机器学习表示
研究人员开发了将量子计算原理融入以增强机器学习模型的新方法。其中一种方法 QUIVER 使用量子 Fisher 视图来捕捉数据中的高阶相关性，从而提高分子性质预测和粒子识别等任务的性能。另一种方法侧重于通过使用生成模型合成门序列来优化量子机器学习的数据嵌入，从而在各种数据集上获得更好的分类性能。这些进展表明，即使在容错量子硬件广泛可用之前，量子几何特征也能为标准的机器学习任务提供显著价值。
-
机器学习增强LHC上的暗物质探测
研究人员开发了一种机器学习方法，以增强大型强子对撞机（LHC）上暗物质候选物的探测。该方法专门针对下一最小超对称标准模型（NMSSM）中的WIMP暗物质，侧重于直接探测信号被抑制的场景。机器学习分析提高了对辐射衰变的中性超对称粒子的微弱信号的灵敏度，这些粒子具有多光子的独特对撞机特征。在14 TeV能量下拥有100 fb^{-1}的数据，机器学习方法可以实现高达225 GeV的希格斯ino质量的5σ探测范围。
-
新的PLuM架构通过多模态物理数据增强喷注鉴别器
研究人员开发了一种新的多模态架构，称为PLuM，它将粒子成分与Lund平面分裂相结合，以改进高能物理中的喷注鉴别。该方法使用统一的Transformer联合处理这两种数据，允许通过交叉注意力来确定结构化QCD信息的附加价值。PLuM模型在鉴别顶夸克和H到bb衰变方面取得了显著的提升，表明对于某些拓扑结构，显式的分层信息仍然是对原始粒子表示的补充。
-
超图神经网络增强LHC粒子碰撞分析
研究人员开发了一种超图神经网络（H-GNN）来改进大型强子对撞机上$tar{t}tar{t}$产生的探测。这种先进的神经网络架构将事件表示为超图，捕捉喷流和轻子之间复杂的关联，以更好地将信号事件与背景噪声区分开。与现有方法相比，H-GNN在统计显著性方面取得了显著改进，从而能够对标准模型有效场论中六维算符的威尔逊系数进行更精确的约束。
-
新的神经推断方法旨在LHC上探测希格斯自耦合
研究人员开发了一种新颖的基于神经仿真的推断（NSBI）方法来确定希格斯三线性自耦合。该方法结合了矩阵元增强技术的效率和基于分类的方法在背景估计方面的实际优势。NSBI方法显示出接近理论最优的灵敏度，并有望为大型强子对撞机的高亮度升级提供约束，同时考虑其他标准模型有效场论算符。
-
大型语言模型代理在科学推理方面遇到困难；Cerebras IPO 挑战 Nvidia
一项名为 Collider-Bench 的新基准测试已被开发出来，用于评估大型语言模型代理重现研究论文中的科学分析的能力，特别关注大型强子对撞机 (LHC) 数据。目前，大型语言模型代理在这一复杂的科学推理任务上的表现不如人类物理学家，表明仍有很大的改进空间。另外，Cerebras 已提交 IPO 申请，旨在用其晶圆级芯片挑战 Nvidia 在人工智能硬件领域的统治地位。此外，Anthropic 正在修改其 Claude Pro 订阅…
-
新型SNAC-Pack为FPGA自动化神经架构协同设计
研究人员开发了SNAC-Pack，这是一个开源框架，旨在自动化神经架构的协同设计及其在FPGA上的部署。该软件包采用多目标全局搜索策略，并结合硬件代理模型来估算资源使用和延迟，从而在搜索过程中避免昂贵的综合。SNAC-Pack已被证明在发现用于大型强子对撞机中的喷流分类和超导量子比特读出等任务的紧凑型架构方面非常有效，显著缩短了设计探索时间，同时保持或提高了性能。