- 基于 FPGA 的粒子物理实验的超快速变压器
本文介绍了在可编程门阵列 (FPGA) 上使用 hls4ml 工具实现变压器架构的高效实现。通过使用变压器模型在解决各种问题方面的有效性的证明,其在粒子物理实验触发器中的应用成为了一个引人关注的课题。在这项工作中,我们实现了变压器模型的关键 - 粒子物理学中的异常检测机器学习
粒子物理学中使用机器学习进行异常检测的最新技术进行综述,讨论了在大型复杂数据集中进行异常检测的挑战,并强调了在粒子物理实验中异常检测的成功应用。
- 深度学习中测量的可观测量的设计
使用机器学习设计最优的可观测量,以推测粒子物理和核物理模型的基本、有效或现象学参数,并展示了在深度非弹性散射中包含最多关于感兴趣参数的信息的两种物理模型的可行性。
- 识别机器学习对称性的群论结构
深度学习方法成功地用于推导保持重要物理量的对称变换。在这封信中,我们提出了一种用于检验和识别这种机器学习中发现的对称性的群论结构的方法。我们设计了损失函数,可以在对称性发现的深度学习阶段或后续的后处理阶段中探测子代数结构。我们通过 U (n - 用于高能对撞机长寿命粒子触发的 FPGA 快速神经网络推理
本研究对于 FPGA 卡驱动的机器学习算法的使用进行探讨,并证明在高亮度程序触发策略和事件选择中,这种算法具有较高的准确性和较低的推理时间。
- 粒子云生成中的均场注意力
本文提出了一种基于注意力聚合机制的先进模型,使用对抗训练范式对其进行了训练,解决了传统 Monte Carlo 模拟方法在产生机器学习对撞机数据中面临的挑战。该模型在竞争中表现出良好的性能,并且具有显着更少的参数。
- 高能物理反问题的端到端潜变分扩散模型
本研究通过引入一种新的统一的架构,将深度学习和变分框架相结合,探讨和比较各种生成式深度学习方法,以逼近将探测器观测结果映射到潜在的粒子碰撞物理量的问题。我们证明了这种方法的有效性,包括重构理论运动学量的全局分布以及确保学习后验分布符合已知的 - CaloClouds: 高速几何无关高粒度量能器模拟
这项工作通过使用生成建模中的扩散模型直接生成三维空间中探测器里的能量沉积几千个空间点的点云,从而实现了高精度和速度的粒子模拟,表现出很好的物理相关分布建模。
- 面向 FPGAs 和 ASICs 的 Hessian 感知量化神经网络的端对端协同设计
利用 Hessian-aware quantization (HAWQ) 来量化神经网络(NNs),Quantized Open Neural Network Exchange(QONNX)中间表示和 hls4ml 到 FPGA 和 ASI - 字符串理论景观的智能探索
本综述文章,讨论了如何使用人工智能和机器学习,寻找解决弦理论中的数学难题,并且重点介绍了运用人工智能构建 E$_8$ x E$_8$ 弦理论模型的实践案例。
- PYTHIA 8.3 的物理和使用综合指南
PYTHIA 8.3 是一个物理工具,旨在回答粒子物理学的基本问题,包含标准模型内外的各种反应,以及重离子物理学,可以生成高能碰撞事件中与两个入射高能粒子相伴产生的粒子集,并强调强相互作用起主要作用的现象,其中提供足够细节的物理模型描述,以 - 一个高效的洛仑兹等变图神经网络用于喷注标识
本论文提出了一种新的深度学习模型,称为 LorentzNet,用于粒子物理中的 Jet 标注问题,该模型维持了洛伦兹对称性,通过高效的闵可夫斯基点积注意力进行信息传递,在两个代表性的 Jet 标注引擎上进行的实验表明,LorentzNet - MM基于物理学基础的群体异常检测方法及数据集的新研究
本文介绍了无监督群体异常检测成为寻找新粒子和力量的新前沿,提出了一种现实的综合基准数据集(LHCO2020)以用于群体异常检测算法的开发,并比较了几种现有的统计学算法在 LHCO2020 数据集上的表现。
- 一个常见的跟踪软件项目
本论文提出了一个基于 ATLAS 实验的通用跟踪软件(ACTS),它支持多线程事件处理和高级轨迹重建工具,且不依赖探测器技术和磁场细节实现。该软件用于处理粒子物理,核物理以及高亮度 LHC 等领域的实验数据分析。
- 构建任意矩阵群等变多层感知器的实用方法
提供求解矩阵群等变层的通用算法,在多个未曾解决的群中构建具有多个群等变性的多层感知器,优于非等变基线模型,在粒子物理和动力系统中应用。
- 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。
- MMGAN 增强事件样本
这篇文章探讨了生成网络应用于粒子物理事件生成时的一个关键问题:生成的事件是否能够在训练样本的基础上增加统计精度。我们通过一个简单的例子展示了生成网络确实可以扩大训练统计,并且用放大因子或等效的样本事件数量量化了它们的影响。
- 粒子物理中的图神经网络
介绍了图神经网络在粒子物理学中应用的各种情况,并探讨了它在粒子物理学中的潜在应用。
- 粒子物理学中的 Lorentz 群等变神经网络
本文介绍一种基于洛伦兹群的有等变性的神经网络体系结构,其用于分类任务在粒子物理学中表现出的结果优于卷积神经网络和点云方法。
- Set2Graph: 从集合中学习图
本文介绍一种基于神经网络的学习算法,用于处理集合到超图的函数问题,即 Set2Graph 函数。在测试中,该算法在粒子物理等领域表现出较优的效果。