Thomas Jefferson National Accelerator Facility
PulseAugur coverage of Thomas Jefferson National Accelerator Facility — every cluster mentioning Thomas Jefferson National Accelerator Facility across labs, papers, and developer communities, ranked by signal.
2 天有情绪数据
-
新的SMOCS框架简化了机器学习的部署和监控
研究人员开发了SMOCS，一个新开源框架，旨在简化生产环境中机器学习系统的部署、监控和优化。这个基于Kafka的系统利用容器化和分层抽象来分离基础设施和应用程序逻辑。其独特的三线程代理架构通过时间解耦数据摄取、模型训练和实时推理，实现了持续在线学习，使其能够适应各种科学设施。
-
GPT风格模型加速CLAS12探测器模拟
研究人员开发了一种GPT风格的自回归Transformer模型，用于模拟托马斯杰斐逊国家加速器设施CLAS12实验的探测器命中。该模型以入射动量为条件，生成跨越九个量能器层的逼真探测器命中，重现了关键的物理特性。这种生成方法在单个GPU上实现了超过每秒700个事件的推理速度，显著优于传统的基于Geant4的模拟，同时为高亮度实验保持了必要的物理保真度。
-
量子深度神经网络在粒子物理数据分析方面展现出潜力
研究人员开发了受量子启发的深度神经网络（QDNNs），用于从实验数据中提取康普顿形变因子（CFFs）。这些QDNNs被应用于托马斯·杰斐逊国家加速器设施（JLab）的数据，使用了扭度2的Belitsky-Kirchner-Müller形式。通过使用伪数据与经典深度神经网络（CDNNs）进行基准测试，结果表明QDNNs实现了更高的预测准确性和更紧的置信区间。
-
混合专家模型应用于GlueX DIRC探测器进行物理分析
研究人员开发了一种混合专家（MoE）基础模型，以简化Jefferson Lab的GlueX DIRC探测器的数据分析。该统一框架处理快速模拟、粒子识别和噪声过滤，性能优于传统方法。该模型处理原始探测器输入，并使用MoE架构对π介子和K介子等粒子的类别进行条件生成。
-
GPU 租用者面临“硅片彩票”，云性能不一致
来自威廉玛丽学院、杰斐逊实验室和 Silicon Data 的研究显示，从云服务商租用的相同 GPU 型号之间存在显著的性能差异。这种“硅片彩票”意味着客户可能无法获得他们所支付的性能，其中一些 H100 PCIe GPU 在计算性能上显示出高达 34.5% 的差异，而 H200 SXM GPU 在内存带宽上则表现出高达 38% 的变化。研究表明，制造不一致是导致这些差异的主要原因，而不是散热或配置问题。为缓解此问题，研究人员建议 G…