XiaoMi-AI文件搜索系统
World File Search System高能物理
科学办公室更新
基础能源科学 2,626 2,582 -1.78 2,617 -0.38 2,563 -2.44 高能物理 1,200 1,231 2.50 1,219 1.50 1,230 2.50 高级科学计算研究 1,016 1,153 13.39 1,105 8.76 1,152 13.39 生物与环境研究 900 946 5.11 850 -5.56 930 3.33 聚变能科学 790 844 6.84 825 4.43 825 4.43 核物理 804 833 3.61 830 3.23 850 5.72 同位素研发 130 184 41.54 170 30.77 168 29.23 加速器研发 29 31 6.90 30 3.45 31 6.90 科学实验室基础设施 288 295 2.43 280 -2.78 275 -4.51 科学计划指导 227 246 8.37 238 4.85 246 8.37 保障和安全 190 195 2.63 195 2.63 190 0.00 教师和科学家的劳动力发展 29 31 6.90 30 3.45 31 6.90
首次扫描搜索深色光子暗物质，具有可调的超导射频腔
1北京北京大学北京大学核物理和技术的物理与国家主要实验室2北京激光加速创新中心，北京北京大学，北京101400，中国3国际理论上物理学亚洲亚洲太平洋大学，中国科学院100190年，北欧科学院。 Blegdamsvej 17，2100丹麦哥本哈根5 CAS 5 CAS关键物理学，理论物理研究所，中国科学院北京学院，北京100190，中国6个体育科学学院，中国科学院，中国科学院，第中国北京100049年Yuquan Road 19a 19a Yuquan Road 7重离子物理学研究所，北京大学，北京100871，中国8高能源物理研究所，中国科学院100049，中国北京学院9，主要粒子加速和技术实验室。中国科学学院高能源物理学，中国100049，中国11北京量子信息科学学院，北京100193，中国12号高能物理中心，北京大学，北京大学100871，中国
IBM TrueNorth 中的神经形态卡尔曼滤波器实现
摘要。随着后摩尔定律计算领域的出现，新的架构不断涌现。借助 IBM 的 TrueNorth 等复合、数百万连接的神经形态芯片，神经工程现在已成为这种新型计算范式中的可行技术。高能物理实验正在不断探索新的计算和数据处理方法，包括神经形态，以支持该领域日益增长的挑战并为未来的商品计算趋势做好准备。这项工作详细介绍了 IBM 的神经形态架构 TrueNorth 中用于并行和串行脉冲序列的卡尔曼滤波器实现的第一个实例。在多个模拟系统上测试了实现，并根据等效非脉冲卡尔曼滤波器评估了其性能。在改变权重和阈值寄存器的大小、用于编码状态的脉冲数量、用于空间编码的神经元块的大小以及神经元电位重置方案的同时，探索了实现的极限。
具有良好时间分辨率的低增益雪崩探测器...
本文给出了由高能物理研究所设计、中国科学院微电子研究所制备的50 µm 厚低增益雪崩探测器 (LGAD) 传感器的模拟和测试结果。制备了三片晶圆，每片晶圆采用四种不同的增益层注入剂量。制备过程中采用了不同的生产工艺，包括改变 n++ 层注入能量和碳共注入。测试结果表明，从电容-电压特性来看，增益层剂量较高的 IHEP-IME 传感器具有较低的击穿电压和较高的增益层电压，这与 TCAD 模拟结果一致。Beta 测试结果表明，IHEP-IME 传感器在高压下工作时的时间分辨率优于 35ps，辐照前 IHEP-IME 传感器收集的电荷大于 15fC，满足 ATLAS HGTD 项目对传感器辐照前的要求。关键词：低增益雪崩探测器（LGAD），注入剂量，击穿电压，时间分辨率，电荷收集电子邮件地址：zhaomei@ihep.ac.cn (Mei Zhao)
量子门模式识别和电路优化
摘要。没有独特的方法将量子算法编码为Quanmu tum电路。具有有限的量子计数，连接性和连贯性时间，电路优化对于在未来十年中充分利用量子设备是必不可少的。我们介绍了两个单独的电路优化想法，并将它们组合在称为AQCEL的多层量子电路优化协议中。第一个成分是一种识别量子门重复模式的技术，开辟了未来硬件优化的可能性。第二个成分是通过识别零或低振幅计算基础状态和冗余门来降低电路复杂性的方法。作为演示，AQCEL被部署在迭代且有效的量子算法上，旨在模拟高能物理中的最终状态辐射。对于此算法，我们的优化方案带来了与原始电路相比，栅极计数的显着降低而不会失去任何精度。另外，我们已经研究了是否可以使用多项式资源在量子计算机上证明这一点。我们的技术是通用的，可以用于多种量子算法。
化石和现今的叠层石鲕粒含有甘氨酸和铁的陨石聚合物
1 哈佛大学分子与细胞生物学系，52 Oxford St.，剑桥，MA 02138，美国 2 高能物理部，史密森天体物理观测台，哈佛与史密森天体物理中心，60 Garden St，剑桥，MA 02138，美国 3 LRL-CAT，礼来公司，先进光子源，阿贡国家实验室，9700 S. Cass Avenue，莱蒙特，伊利诺伊州，60439，美国 4 钻石光源，哈威尔科学与创新园区，迪德科特，OX11 0DE，英国 5 哈佛大学纳米系统中心，11 Oxford St，LISE G40，剑桥，MA 02138，美国 6 蒙大拿州立大学地球科学系，226 Traphagen Hall，PO Box 173480，博兹曼，MT 59717，美国 7 PLEX 公司，275 Martine St.，美国马萨诸塞州福尔里弗 02723 100 室 通讯作者：Julie EM McGeoch；电子邮件：Julie.mcgeoch@cfa.harvard.edu
浅碳层和深N++层对IHEP-IME LGAD传感器辐射硬度的影响
摘要 — 低增益雪崩二极管（LGAD）用于高粒度定时探测器（HGTD），它将用于升级 ATLAS 实验。首批 IHEP-IME LGAD 传感器由高能物理研究所（IHEP）设计，微电子研究所（IME）制造。三个 IHEP-IME 传感器（W1、W7 和 W8）接受中子辐照，辐照剂量高达 2.5 × 10 15 n eq / cm 2，以研究中子浅碳和深 N++ 层对辐照硬度的影响。以 W7 为参考，W1 施加了额外的浅碳，W8 具有更深的 N++ 层。在Bete望远镜测试中测得的3个IHEP-IME传感器的漏电流、收集电荷和时间分辨率均满足HGTD的要求（在2.5×1015neq/cm2辐照剂量后<125µA/cm2、>4fC和<70ps）。碳层较浅的W1传感器抗辐射能力最强，N++层较深的W8传感器抗辐射能力最差。
![arxiv：2501.12738v1 [physics.ins-det] 2025年1月22日](/simg/b\b95ee388f82cdb17c04e4af84ffc415477b04f90.webp)
arxiv：2501.12738v1 [physics.ins-det] 2025年1月22日
色量热法引入了一种新颖的方法，用于通过将量子点（QD）技术集成到传统的均质量热计中，以实现高能物理（HEP）的热量计设计方法。QD的可调发射光谱为能量重建和均匀设备中的粒子识别提供了新的可能性。本文介绍了旨在验证基于QD基于QD的量量热法的可行性的色量热仪的初始概念设计。该研究通过详细的模拟评估了其预期性能，将结果与现有的量热技术进行了比较。通过嵌入闪烁体中具有不同排放特性的QD，我们旨在改善定时分辨率和纵向分割，从而为将来的HEP实验开辟了新的途径，以进行精确测量。尽管需要进一步的开发和验证，但QD增强检测器可能代表了将来的HEP实验的可行选择，为解决不断发展的粒子检测需求提供了附加的工具。
利用经典和量子异常检测揭示标准模型以外的物理学
摘要 在微观尺度上发现新物理现象的希望很大程度上依赖于从高能物理实验中获得的观测结果，例如在大型强子对撞机 (LHC) 上进行的实验。然而，目前的实验并没有显示出可以指导更多超标准模型 (BSM) 理论发展的新物理迹象。从 LHC 产生的大量数据中识别新物理特征属于异常检测类，是最大的计算挑战之一。在本文中，我们提出了一种在监督学习环境中执行异常检测的新策略，该策略基于通过随机过程人工创建异常。对于由此产生的监督学习问题，我们成功地应用了经典和量子支持向量分类器（分别为 CSVC 和 QSVC）来识别 SM 事件中的人工异常。更有希望的是，我们发现使用经过训练以识别人工异常的 SVC，可以高精度地识别真实的 BSM 事件。同时，我们还探索了量子算法提高分类准确性的潜力，并为充分利用这种新颖的计算范式提供了合理的条件。
![arXiv:2111.04628v1 [cs.LG] 2021 年 11 月 8 日](/simg/8\82e4e859240e9135d0c0c9d3fac98afc10588311.webp)
arXiv:2111.04628v1 [cs.LG] 2021 年 11 月 8 日
摘要。随着高能物理领域中机器和深度学习应用数量的不断增加，轻松访问专用基础设施代表了快速高效研发的要求。这项工作探索了不同类型的云服务，以使用 Tensorflow 数据并行策略在并行环境中训练生成对抗网络 (GAN)。更具体地说，我们在多个 GPU 和 Google Tensor 处理单元 (TPU) 上并行化训练过程，并比较了两种算法：TensorFlow 内置逻辑和自定义循环，经过优化可以更好地控制分配给每个 GPU 工作器或 TPU 核心的元素。将生成的数据的质量与蒙特卡罗模拟进行了比较。获得了训练过程的线性加速，同时保留了物理结果方面的大部分性能。此外，我们在多个 GPU 节点上大规模地对上述方法进行基准测试，在不同的公共云提供商上部署训练过程，寻求整体效率和成本效益。数据科学、云部署选项和相关经济学的结合允许异构爆发，探索基于云的服务的全部潜力。