XiaoMi-AI文件搜索系统
World File Search SystemCollider
使用边缘机器学习的粒子喷气机
世界上最大，最强大的粒子加速器称为大型强子对撞机（LHC））。这是CERN加速器综合大楼的最新补充，最初于2008年9月10日开业。LHC由27公里的超导磁体环组成，配备了许多加速设备，以增加粒子行驶时的能量。CERN的LHC体现了人类寻求理解亚原子世界的巅峰之作。在这种科学的奇迹中，粒子喷射了高能碰撞产生的新颗粒的喷雾是粒子物理及其他标准模型的基本探针。这些喷气机的准确分类对于识别新物理学的信号至关重要。但是，对于传统数据处理方法，LHC产生的数据的庞大和复杂性构成了重大挑战[1]。
用于生成建模和异常检测的量子 - 培训汉密尔顿学习
孤立的量子力学系统的哈密顿量决定了其动力学和身体行为。这项研究研究了学习和利用系统的哈密顿量及其对数据分析技术的变异热状态估计的可能性。为此，我们采用了基于量子的哈密顿模型的方法来模拟大型强子撞机数据的生成建模，并证明了此类数据等混合状态的代表性。在进一步的一步中，我们使用学到的哈密顿量检测进行异常检测，表明不同的样本类型可以形成一旦被视为量子多体系统的不同动态行为。我们利用这些特征来量化样本类型之间的差异。我们的发现表明，可以在机器学习应用程序中使用专为现场理论计算设计的方法来在数据分析技术中采用理论方法。
使用与爱丽丝的观众中子在LHC
高于150 MeV的温度，核物质过渡到夸克 - 胶状等离子体（QGP）：未绑定的夸克和胶子的阶段。在重合离子碰撞中以每核核子对（√𝑠NN）的质量量表中的重型离子碰撞达到TEV量表，该量表可以产生大于10 GEV / FM 3的能量密度。该工程的空间分布源自原子核在初始状态的重叠的波动形状。在约10 fm / c的时间尺度上，QGP（一种接近完美的流体）将空间各向异性转化为发射颗粒的动量各向异性，称为各向异性流动。这种观察结果与流体动力模型计算的比较允许提取QGP粘度。观众核子 - 碰撞核的残留物，在出现各向异性之前，该核的近距离核（≪1 fm / c）对初始状态波动很敏感。本论文列出了各向异性流的新颖测量及其相对于观众偏转的铅铅和Xenon-Xenon碰撞的波动，分别为2.76 TEV和5.44 TEV，而爱丽丝在大型Hadron Collider上。这些观察结果显示出具有初始能量密度的形状的近似通用缩放。使用观众和仅使用产生颗粒的流程测量之间的差异限制了初始状态的波动。与当前没有观众动力学的当前初始状态模型进行比较表明，需要这些动力学来提高QGP粘度提取的精度。
核研究所和物理研究方法，A
随着 LHC 加速器的建成，高能物理电子学开启了新的篇章。这种高亮度强子对撞机在加速质子迎头碰撞点附近建造的探测器系统中产生了前所未有的辐射背景，这对电子设备的可靠功能尤其不利。例如，表 1 描述了 LHC 两个通用探测器系统之一（ATLAS）的辐射背景，图 1 显示了另一个（CMS）的横向视图，以说明不同专用探测器层的位置。90 年代初，人们已经清楚地认识到，跟踪器的电子设备需要具有前所未有的抗辐射能力，而 HEP 社区必须获得有关电子设备和电路中辐射效应的新能力。随着高亮度 LHC 升级的批准，辐射背景增加了 10 倍，事情变得更具挑战性。
ATLAS中快速光子淋浴模拟的深层生成模型
抽象需要大规模生产高度准确的模拟事件样本，以在大型强子撞机上进行的ATLAS实验广泛的物理计划激发了新的仿真技术的开发。研究了深度学习算法，变异自动编码器和生成对抗网络的最新成功，以建模地图集电磁量热计对各种能量的光子的响应。使用Geant 4将合成淋浴的特性与完整检测器仿真的淋浴进行了比较。各种自动编码器和生成对抗网络都能够快速模拟具有正确的总能量和随机性的电磁淋浴，尽管某些淋浴形状分布的建模需要更多的改进。这项可行性研究表明，将来使用这种算法进行Atlas快速量热仪模拟的潜力，并显示了一种补充当前模拟技术的可能方法。
KEKB B-Factory 设计报告 - CERN 文档服务器
KEKB 是一台 8x3.5 GeV 非对称电子-正电子对撞机，旨在实现质心能量为 10.58 GeV 的电子-正电子对撞。其使命是支持高能物理研究计划，研究 B 介子衰变中的 CP 破坏和其他主题。其目标光度为 10 34 cm~ 2 s~ 1 。KEKB 经日本政府批准，于 1994 年 4 月正式开始建设，为期五年。KEKB 的两个环（低能环 LER 用于 3.5 GeV 的正电子，高能环 HER 用于 8 GeV 的电子）将建在现有的 TRISTAN 隧道中，隧道周长为 3 公里。TRISTAN 的基础设施将得到最大程度的利用。利用较大的隧道宽度，KEKB 的两个环将并排建造。由于束流轨迹的垂直弯曲往往会增加垂直束流发射率，因此其使用量被最小化。
数字版 - CERNCOURIER
本期杂志的封面图片非常漂亮，由 200 名参与 2015 年粒子物理摄影漫步的摄影师之一拍摄，邀请读者了解 CAST 的未来发展，以及 XENON 如何准备成为最灵敏的直接暗物质搜索实验。同时，我们将带您走进 ATLAS 和 CMS 实验的未来，这些实验已经在努力为 LHC 的高亮度阶段 (HL-LHC) 做好准备。回到现在，我们报道了 LHC 在配置为铅离子对撞机时打破的最新记录，以及一篇关于在 PS 成功测试的创新提取系统的文章。最后但并非最不重要的是，关于强子疗法的专题证实了粒子如何有效地帮助我们对抗癌症。要订阅新期刊提醒，请访问：http://cerncourier.com/cws/sign-up。
量子状态通道对偶用于计算标准模型散射振幅
虽然首次提出模拟自然界量子力学的建议可以追溯到理查德·费曼 [1]，但最近将量子信息理论应用于高能物理系统研究的尝试已证明特别成功。量子态断层扫描就是一个典型的例子，该过程通过对被观察系统的相同副本集合进行一系列互补测量，可以完全重建系统的密度矩阵 [2]，非常适用于产生大量事件的对撞机 [3-6]，并且已应用于各种高能粒子物理系统的数值模拟研究 [4-7]。包括量子机器学习技术在内的量子算法已被开发用于识别数据中的标准模型及以上特征 [8-10]，以及以更经济的计算方式模拟对撞机事件 [11]。
比较量子和经典机器学习......
我们报告了量子和经典机器学习技术之间的一致比较，这些技术应用于对矢量玻色子散射过程的信号和背景事件进行分类，该过程在欧洲核子研究中心实验室安装的大型强子对撞机上进行研究。基于变分量子电路的量子机器学习算法在免费提供的量子计算硬件上运行，与在经典计算设施上运行的深度神经网络相比，表现出非常好的性能。特别是，我们表明这种量子神经网络能够正确地对信号进行分类，其特征曲线下面积 (AUC) 非常接近使用相应的经典神经网络获得的特征曲线下面积 (AUC)，但使用的资源数量要少得多，训练集中的可变数据也较少。尽管这项工作是在有限的量子计算资源下给出原理证明的演示，但它代表了
一种用于独立于模型寻找新物理的量子算法
我们提出了一种新颖的量子技术，用于在多维对撞机数据中搜索未建模的异常。我们建议将伊辛格子自旋站点与每个容器相关联，并使用根据观测数据和相应的理论期望适当构建的伊辛汉密尔顿量。为了捕获数据中的空间相关异常，我们引入了相邻站点之间的自旋-自旋相互作用以及自相互作用。所得伊辛汉密尔顿量的基态能量可用作新的检验统计量，可以通过经典方法或绝热量子优化计算。我们证明我们的检验统计量优于一些最常用的拟合优度检验。新方法通过利用统计噪声和真正的新物理信号之间的典型差异，大大减少了“别处寻找”效应。