XiaoMi-AI文件搜索系统
World File Search System核物理
核物理工具 - 机器学习、人工智能和量子计算召集人：Valerio Bertone（CEA Paris-Saclay）、Jana N. Günth
在核物理领域，机器学习的应用已在核实验、核天体物理和各种计算密集型任务等领域得到探索，如图 1 所示。在核物理实验中，机器学习算法已用于处理大型数据集，帮助识别粒子、改进事件重建，并允许进行实验设计和控制。在核天体物理领域，机器学习已用于分析信号，这在处理来自嘈杂太空环境的数据时特别有用。它还有助于确定致密物质的性质，这对于理解某些天体事件至关重要。机器学习还有利于应对计算密集型挑战。它已应用于强子结构和核碰撞 [参见 TWG 1 和 3]、天体物理模拟 [参见 TWG 4]，尤其是应用于格点 QCD [参见 TWG 1]（一种第一性原理方法），以增强我们对核物质的理解。
国家核物理研究所
规定 N. 26086 国家核物理研究所所长——已看到决议号。 2023 年 7 月 21 日第 16744 号法令，董事会批准发起 n 号奖项的竞赛。 15 项理论物理学第 3 级（高级补助金）科学研究活动合作补助金，旨在奖励在外国机构任职的外国研究人员和意大利研究人员，他们在资助截止日期前已连续在国外停留至少 3 年，为期一年，可续签至 24 个月，用于在 INFN 的各部门、国家实验室和中心进行学习和研究； - 考虑到规定编号2023 年 9 月 11 日第 25864 号法令，其中发布了 n 号奖项的竞赛通知。 15 项理论物理学第 3 级科学研究资助（高级资助），为期一年，可续期一年； - 考虑到第2023 年 10 月 27 日第 16830 号法令，董事会批准调整上述研究补助金的期限和总支出； - 承认有效性并确定需要在竞赛公告号中纠正研究资助的期限。 25864/2023 规定 1. 纠正规定编号。 2023 年 9 月 11 日第 25864 号法令，其文本部分如下：a) 每项研究补助金最初发放期限为一年，可延长第二年。替换为以下内容：每项研究补助金发放期限为两年。国家核物理研究所 主席
核物理学的量子信息科学和技术投入到美国远程计划，2023
在过去的二十年中，在原子，分子，光学科学和材料科学以及低温基础设施中取得的进步正在加速量子传感器和量子整合系统的发展，在某些情况下，正在为历史上难以置信的问题提供革命性的方法。量子传感器已经在某些高优先级NP程序中使用，例如中微子双β衰减，中微子质量测量，无菌 - 中性搜索，基本对称性的精确测试，永久性电动偶极力矩搜索，以及作为稀有和稀有和外来的过程的探针。他们在NP中的有针对性使用不断增长，并扩大该领域的研发，包括通过对国家实验室和大学的设施进行投资，至关重要。
核物理和粒子物理中的人工智能
https://doi.org/10.1103/PhysRevLett.124.162502：“深度神经网络能够预测超过 1800 个原子核的基态和激发能量，其精度与最先进的核能量密度泛函相当，而且计算成本明显更低”
粒子和核物理学中的数据收集方法
10.1.6 工作流程和要完成的任务 59 10.2 练习 2 - 前置放大器 61 10.2.1 概述 - 运算放大器 61 10.2.2 电磁屏蔽 62 10.2.3 接地 - 接地电气环路 65 10.2.4 带示波器控制的简单前置放大器的屏蔽和接地 66 10.2.5 工作流程和要完成的任务 66 10.3 练习 3 - 蜂鸣器 68 10.3.1 概述 - 振荡器，555 型电路 68 10.3.2 创建自己的蜂鸣器 69 10.3.3 工作流程和要完成的任务 70 10.4 练习 4 - FPGA、Arduino 和使用 Arduino 进行辐射测量 72 10.4.1 概述 72 10.4.2 尝试使用 FPGA 和 Arduino 进行编程和通信 72 10.4.3 硬件 72 10.4.4 盖革管的工作原理 73 10.4.5 FPGA：ATmega328P 作为探测器的大脑 74 10.4.6 Arduino IDE 74 10.4.7 要完成的任务 75
核物理人工智能 - 美国能源部科学办公室
除其他行动外，该计划的主要指令要求联邦机构优先考虑人工智能研究和开发（R&D）投资，增强对高质量网络基础设施和数据的访问，确保国家在人工智能技术标准开发方面处于领先地位，并提供教育和培训机会，为美国劳动力迎接人工智能新时代做好准备。
核物理I（PHY 551）
整个课程的目标是对核物理学的基础有深入的了解，掌握基本可观察物的计算（横截面，衰减率等），并了解新的理论思想和实验测量的关键作用。对于对核和粒子物理感兴趣的学生，该课程将为开始研究所需的知识基础。在其他领域有兴趣的学生（凝结物理学，AMO，天体物理学）将熟悉核物理学中出现的强相关系统的新方法。
人工智能能为核物理做些什么？
神经网络可以成为进一步改进理论计算的良好工具。图 2 显示了典型神经网络的工作原理。真正的目标可以是原子核的实验数据，预测由网络给出。整个项目就像做一块早餐面包。第一步，你需要烤面包，然后在面包上涂上黄油或果酱。HFB 计算就像烤面包的过程，它提供了基础。之后，ML 算法的修饰可以更好地改善口感。人工智能技术与物理学的结合不仅是科学上的一种流行尝试，也是一种优化。这些结果对于未来对未知重核的实验也很有用。
核物理A
RHIC STAR 光束能量扫描计划的重要目标之一是了解相对论重离子碰撞中产生的强相互作用物质的 QCD 相图。集体流现象是表征产生的 QCD 物质性质的灵敏探针 [1]。将测得的流动可观测量与模型计算进行比较，以约束状态方程 (EoS) 并理解 QCD 现象。发射粒子在动量空间中的傅里叶展开的一阶和二阶谐波分别被描述为定向流 (v 1 ) 和椭圆流 (v 2 ) [2]。v 1 和 v 2 的快度奇分量是研究碰撞早期集体动力学的灵敏探针。输运和流体动力学模型计算表明，重子与光束能量相关的负 v 1 斜率是一级相变的标志 [3, 4, 5]。预计高 p T 带电强子的 v 1 测量将对火球的初始纵向分布提供有价值的约束，并提供有关部分子路径长度相关的能量损失的想法。
核物理A
为了比较不同尺寸系统中的涨落，应该使用强度量，即对系统体积不敏感的量。此类量通过除以测量分布的累积量 κ i（最高为四阶）得出，其中 i 是累积量的阶数。对于二阶、三阶和四阶累积量，强度量定义为：κ 2 /κ 1、κ 3 /κ 2 和 κ 4 /κ 2。图 1 显示了 150 / 158 A GeV / c 时净电荷三阶和四阶累积量比的系统尺寸依赖性。测量数据与 EPOS 1.99 模型 [5, 6] 的预测一致。对带负电和带正电强子的相同量对系统尺寸依赖性的更详细检查（图 2）表明系统尺寸依赖性非常不同。此外，EPOS 1.99 模型均未重现所测量到的任何 h + 和 h − 量。这种不一致表明我们尚未完全理解引起涨落的底层物理原理。因此，需要进行更详细的研究。在寻找 CP 中，一个可能的工具是质子间歇性，它应该在 CP 附近遵循幂律涨落。可以通过研究二阶阶矩 F 2 ( M ) 随胞元大小或等效地随中速质子 (px , py ) 空间中胞元数量的变化来检查（见参考文献 [7, 8, 9]）。对于实验数据，必须用混合事件减去非临界背景。减法后，二阶阶矩 ∆ F 2 ( M ) 应根据 M >> 1 的幂律缩放，得到的临界指数 φ 2 与理论预测相当 [10]。图 3 显示了半中心 Ar + Sc 相互作用中 150 A GeV / c 的 ∆ F 2 ( M )。图左侧和右侧之间的差异是所考虑的统计数据。左侧显示 2018 年发布的结果 [11]。这些结果表明 ∆ F 2 为正值，可能与 CP 有关。右侧显示相同的结果，但统计数据更高（208k