Jan, 2024

猎豹：高速可微分模拟融合机器学习与粒子加速器物理学之间的鸿沟

PDF
TL;DRCheetah 是基于 PyTorch 的高速可微线性束线动力学代码，通过多个量级减少计算时间，为加速器调谐和系统识别提供了高效的梯度优化方式，并且可与广泛采用的机器学习工具无缝集成，简化了基于机器学习方法为粒子加速器开发并快速融入日常运营的过程。
machine learningaccelerator physicscheetahgradient-based optimizationsimulation code
发现论文，激发创造
  • 利用机器学习解决物理系统模拟中的计算难题

    本研究提出了一个基于机器学习的数据生成框架，旨在辅助那些利用模拟来研究各种物理系统或过程的研究人员。我们的方法包括两个步骤：首先，我们使用有限的模拟数据训练监督预测模型来预测模拟结果；然后，我们使用强化学习代理来生成准确的、类似于模拟的数据，从而更有效地探索参数空间并深入了解物理系统或过程。我们通过两个案例研究：一个关注地震破裂物理，另一个关注新材料开发，证明了所提出框架的有效性。

    May, 2023

  • 高能物理参数化机器学习

    研究了一种新的机器学习分类器结构，包含来自物理参数的输入，参数化分类器可以平滑地插值并替换在个体值上训练的分类器集，并且可以优化插值结果。

    Jan, 2016

  • 高能物理社区机器学习白皮书

    本文讨论机器学习在粒子物理学研究中的应用前景和可行性，并详述实现机器学习在粒子物理学上开发所需的软硬资源、与数据科学社区、学术界和产业界的合作倡议以及对粒子物理学界在数据科学培训上进行的工作。旨在将研究和开发与物理驱动器连接起来，并确定实现它们的资源需求，以及其他社区的合作领域。

    Jul, 2018

  • DiffTaichi: 物理模拟的可微编程

    DiffTaichi 是一种新的可微编程语言，专为构建高性能的可微物理模拟器而设计，演示了它在 10 个不同物理模拟器的梯度学习和优化任务中的性能和生产力，可以用于优化神经网络控制器。

    Oct, 2019

  • 高能物理数据上的量子启发式机器学习

    本文介绍如何应用张量网络作为量子启发机器学习技术，有效地分类来自 CERN 的大型强子对撞机数据，特别是分类所谓的 b - 喷注，并解释分类结果。同时，还认为张量网络在学习过程中根据所获取到的信息选择重要的特征并调整网络结构，在不需要重复学习过程的情况下实现精密分类或快速响应。这些结果为实现高频率实时应用奠定了基础，这是目前和未来 LHCb 事件分类的关键之一，能够触发每秒数千万个事件。

    Apr, 2020

  • 现代机器学习与粒子物理学

    介绍现代机器学习在粒子物理领域的应用，重点关注大型强子对撞机中的信号 / 背景识别任务，包括使用监督学习和直接数据驱动方法等。文末还讨论了该领域存在的挑战和未来发展方向。

    Mar, 2021

  • 超轨迹：高能物理的神经组合学

    该研究提出了一种新颖的深度学习驱动聚类算法，采用了时空非局部可训练图构造器、图神经网络和集合转换器，通过粒子跟踪模拟展示了这一前沿人工智能方法的有效性。

    Sep, 2023

  • 带有并行可微模拟的加速策略学习

    本文提出 SHAC 算法，该算法基于高性能可微分模拟器，可以有效利用模拟梯度，避免局部最小值问题，并通过截断学习窗口来避免梯度消失或爆炸。在控制任务中表现出更高的样本效率和更短的训练时间。

    Apr, 2022

  • 通过机器学习加速计算机架构模拟

    该论文提出了一种通过利用机器学习技术加速计算机体系结构模拟的方法，该方法利用应用特征和微架构特征的组合来预测应用程序的性能，通过构建和评估一个机器学习模型展示了在体系结构探索方面的显著加速能力。

    Feb, 2024

  • 利用深度学习搜索高能物理中的奇异粒子

    本文介绍了使用深度学习方法来区分高能粒子对撞机中的信号和背景，不需要人工构建非线性特征，但仍然比当前最佳方法提高 8% 的分类指标。

    Feb, 2014