particle physics
PulseAugur coverage of particle physics — every cluster mentioning particle physics across labs, papers, and developer communities, ranked by signal.
3 天有情绪数据
-
AI规模定律在训练前预测粒子物理模型性能
研究人员开发了一种方法，利用规模定律在粒子物理领域的大型机器学习模型训练完成之前预测其性能。通过在较小的模型上拟合联合模型和数据规模定律，他们能够以高精度预测使用更多计算资源训练的显著更大的模型的损失。这种预测能力可以将计算预算转化为预期的物理性能，有助于为诸如射流标记和背景拒绝等任务有效分配资源。
-
新综述文章详细介绍了基础物理学发现的人工智能验证框架
一篇新的综述文章概述了用于基础物理学研究的人工智能系统的验证和评估框架。该文章“我们是否准备好迎接人工智能驱动的发现？下一次基础物理学突破前的人工智能验证”强调了在粒子物理学、天体物理学和宇宙学等领域进行严格机器学习评估的关键需求。文章指出了机器学习固有的局限性，如归纳偏差和样本复杂度，并讨论了物理学家在确保人工智能驱动的发现过程中科学严谨性方面不断发展的作用。
-
利物浦项目使用人工智能进行闭环分子发现
利物浦大学的研究人员，由Juri Smirnov领导，正在粒子物理学和癌细胞抑制等领域 employing人工智能进行分子发现。他们创新的方法创建了一个闭环，其中人工智能的预测经过实验验证，然后结果用于改进后续的人工智能迭代。这种将人工智能直接整合到科学工作流程中，而不是事后诸葛亮，凸显了其在跨学科研究中的潜力。
-
Particle physics models engineered for data-driven scaling laws
研究人员正在探索如何为粒子物理学模型设计工程化缩放定律，并将其与大型语言模型进行类比。与自然语言或图像领域不同，基础物理学受益于高保真模拟器，这些模拟器能够经济高效地生成合成数据。这使得数据集工程能够影响模型缩放，倾向于更多数据而非更大的参数。对于区分强子射流的任务，一项研究表明，通过包含多样化且与任务对齐的预训练数据，可以改变缩放行为，使其需要更多数据。
-
AI的“最小化”导致无限任务分解循环
一个旨在自主软件开发的AI系统，在被赋予从头开始创建新项目的任务时，进入了一个无限的任务分解循环。该系统旨在将大目标分解为更小、可管理的任务，但在面对一个空存储库时失败了。它递归地将创建最小项目的任务分解为越来越小、相互依赖的子任务，这与物理学在先前不可分割的粒子内发现更小粒子的历史进程相呼应。这种行为凸显了大型语言模型（LLM）“最小化”倾向的一个潜在代价，即对最小单元的追求可能导致无法交付实际期望的成果并浪费大量计算资源。
-
神经网络为中微子质量排序问题提供新方法
研究人员开发了一种新颖的机器学习方法，使用神经网络来预测中微子质量排序，这是粒子物理学中一个关键的未解难题。该方法在长基线实验的合成数据上进行训练，旨在提高传统方法在处理细微光谱差异方面难以达到的灵敏度。该神经网络分类器在性能上可与标准的 $\chi^2$ 和 $\log ext{L}$ 分析相媲美，为已有的中微子物理学研究提供了一个灵活且独立的验证工具。
-
新AI模型提升粒子物理学测量精度
研究人员开发了一种名为直方图自编码器（HistoAE）的新型无监督表征学习网络，用于粒子物理学中的高精度测量。该模型具有定制的基于直方图的损失函数，可以构建具有物理可解释性的潜在空间。将其应用于硅微条探测器时，HistoAE在束流测试数据上实现了0.25e的电荷分辨率和3μm的位置分辨率，与传统方法相当。该网络的生成能力还可以实现快速探测器模拟。