Standard Model
PulseAugur coverage of Standard Model — every cluster mentioning Standard Model across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
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。
-
AI框架hAIthem搜索超出标准模型的新物理学
研究人员开发了一个名为hAIthem的新框架，该框架利用大型拉格朗日模型（LLM）结合强化学习（RL）来探索超出标准模型的理论物理模型。该系统通过与现象学工具进行博弈，以识别理论参数空间中可行的区域。然后，该框架使用LLM代理从剩余未探索的区域生成真实的信号，在寻找多样化的物理场景方面优于传统的进化算法。
-
新的AI框架VyPER使用超图重建碰撞器事件
研究人员开发了VyPER，这是一个用于重建粒子碰撞器事件的新型几何学习框架。该系统将碰撞器事件表示为超图，结合了用于粒子分配的监督分类和用于预测中微子运动学的扩散模型。VyPER已在各种标准模型物理过程中展示了准确的事件重建能力，包括与希格斯玻色子、电弱相互作用和顶夸克相关的过程，为精确测量提供了一种新颖的方法。
-
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。
-
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…
-
暗物质搜索使用CMS数据进行神经样条流分析
研究人员使用CMS 2015D开放数据，对与Z玻色子联合产生的暗物质进行了搜索。该研究采用神经样条流来模拟背景和信号密度，并构建了基于对数似然比的检验统计量。分析得出了标量、矢量和轴矢媒介子的信号强度参数在95%置信水平下的观测上限，但由于背景建模的差异而非暗物质的证据，这些上限弱于预期。
-
暗物质搜索在CMS数据上使用神经样条流
研究人员使用CMS 2015D开放数据，对与Z玻色子联合产生的暗物质进行了搜索。该研究采用神经样条流来模拟背景和信号密度，将观测数据降维到37维特征向量。虽然分析未发现暗物质证据，但为标量、矢量和轴矢量介子的信号强度参数设定了上限，并指出由于背景建模差异，观测到的上限弱于预期。
-
探索奇异物理学的风险，将奇异物质与核武器进行对比
本文深入探讨了奇异物理学带来的理论风险，特别关注“奇异物质”作为一种潜在的破坏性力量。文章将其与核武器等已知的破坏机制进行了对比，解释说虽然裂变和聚变炸弹依赖于链式反应，但在地球条件下它们并非自持的。作者探讨了标准模型内物质的稳定性，并指出重子数守恒阻止了质子衰变，从而限制了超越常规核能力失控反应的可能性。
-
物理学家解释希格斯玻色子发现
物理学家 Don Lincoln 解释了希格斯玻色子的发现，它常被称为“上帝粒子”。这一发现是粒子物理学的一项重大成就，证实了标准模型的一个关键组成部分。Lincoln 详细介绍了复杂的实验过程以及发现这一基本粒子的科学意义。