XiaoMi-AI文件搜索系统
World File Search System物理现象
使用机器学习搜索Atlas数据中的新物理现象
这项工作的目的是探索机器学习工具在分析与新物理学相关的数据中的潜力，特别是超出标准模型。在数据集分析中也给出了一些基本概念，因为它也构成了这项工作的重要组成部分。该项目遵循一种结构化方法，首先是对在虚拟环境中获得的超出标准模型过程的ATLAS开放数据分析Z'→TT进行检查。分析数据被转换为逗号分隔值（CSV）文件，以在Python笔记本中处理。一旦以这种格式进行数据，就会开发代码以重新创建虚拟机中观察到的相同图。要建立一个神经网络，重要的是要首先不明显哪些变量表现出很强的相关性。然后将CSV文件中的数据分为三个相等的组分开：一个用于培训，一个用于验证，另一个用于均等的测试。通过应用监督的机器学习技术，神经网络被开发，即E ff可以分辨地区分信号和背景。
提高物理现象建模的准确性
在建立物理现象或过程的模型时，科学家不可避免地要在模型的简单性（定性-定量变量集）和准确性之间做出妥协。数百年来，定律的直观简单性证明了提出它的科学家的物理思维的天才和深度。目前，对周围世界和新发现的物理现象有更深的物理理解的渴望促使研究人员增加模型中考虑的变量数量。这个方向导致选择不准确甚至错误模型的可能性增加。本研究描述了一种估计测量精度极限的方法，其中考虑了模型构建阶段在存储、传输、处理和观察者使用信息方面的信息。由于模型中存储的信息量有限，这个限制允许您选择最佳变量数以最好地再现观察对象，并计算测量理论中模型与所研究现象之间的阈值差异的精确值。我们考虑两个例子：声速的测量和物理常数的测量。