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。
为了比较不同尺寸系统中的闪光,应该使用密集型数量,即对系统体积不敏感的数量。通过测量分布的累积κi分裂(最高第四阶)来构建此类数量,其中i是累积的。在第二,第三和第四阶累积量密集量定义为:κ2 /κ1,κ3 /κ2和κ4 /κ2。图1显示了在150 /158 A GEV / c时净电荷的第三和第四阶累积比的系统尺寸依赖性。测量的数据与EPOS 1.99模型[4,5]预测一致。对相同数量的系统尺寸依赖性的更详细检查,用于负电荷的HADRON(图2)显示非常不同的系统尺寸依赖性。均未通过EPOS 1.99模型再现了测得的H +和H-。这种分歧表明我们不完全理解如何诱发爆发的基础物理学。因此,需要更详细的研究。在搜索CP时,可能的工具是质子插入性,该工具应遵循CP附近的幂律闪光。可以通过研究具有细胞大小的2 ND阶乘力矩f 2(m)的缩放行为,或等效地,在(p x,p y)中的质子中的细胞数量(参见参考文献。[6,7,8])。对于实验数据,必须通过混合事件减去非关键背景。减法后,第二个阶乘矩δf2(m)应根据M >> 1的幂律缩放,并导致关键
为了比较不同尺寸系统中的闪光,应该使用密集型数量,即对系统体积不敏感的数量。通过测量分布的累积κi分裂(最高第四阶)来构建此类数量,其中i是累积的。在第二,第三和第四阶累积量密集量定义为:κ2 /κ1,κ3 /κ2和κ4 /κ2。图1显示了在150 /158 A GEV / c时净电荷的第三和第四阶累积比的系统尺寸依赖性。测量的数据与EPOS 1.99模型[4,5]预测一致。对相同数量的系统尺寸依赖性的更详细检查,用于负电荷的HADRON(图2)显示非常不同的系统尺寸依赖性。均未通过EPOS 1.99模型再现了测得的H +和H-。这种分歧表明我们不完全理解如何诱发爆发的基础物理学。因此,需要更详细的研究。在搜索CP时,可能的工具是质子插入性,该工具应遵循CP附近的幂律闪光。可以通过研究具有细胞大小的2 ND阶乘力矩f 2(m)的缩放行为,或等效地,在(p x,p y)中的质子中的细胞数量(参见参考文献。[6,7,8])。对于实验数据,必须通过混合事件减去非关键背景。减法后,第二个阶乘矩δf2(m)应根据M >> 1的幂律缩放,并导致关键
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。
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。
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
这封信报告了使用140的观察到𝑊𝑍𝛾产量和横截面的测量。1±1。2 fb - 1的质子 - 原始碰撞数据记录在大型强子对撞机的Atlas检测器的质量中心能量中。生产横截面,the the the the the the the the和boson均具有腐烂的腐烂,𝑝𝑝→𝑊𝑍𝛾→ℓ'± + + + 𝜈ℓ +ℓ-𝛾-('('')=𝑒,𝜇,𝜇)在基础空间区域中测量,以使得lepton和光子具有高的跨度势头,并具有较高的光子势头。发现横截面为2。01±0。30(Stat。)±0。16(Syst。)fb。相应的标准模型预测在扰动量子染色体动力学中以近代领先顺序计算的横截面,在电动量子耦合常数中以领先顺序为1。50±0。06 fb。观察到的𝑊𝑍𝛾信号的显着性为6。3 𝜎,与预期意义为5相比。0 𝜎。
1. 执行摘要 当前,业界正在考虑的未来 HEP 设施(如μ子对撞机或下一代高能强子对撞机)将需要达到现有技术极限甚至超越现有技术能力的磁铁。从历史上看,先进磁铁技术的开发和成熟度展示可用于当前的 LHC 升级(称为高亮度 LHC 升级,HL- LHC),这得益于美国为期约 15 年的国家定向研发计划(称为 LHC 加速器研究计划,LARP)与通用和互补的研发工作(导体开发计划、通用加速器研发 GARD、大学计划等)的结合。在本白皮书中,我们建议建立一个类似的前沿技术和可行性指导计划(LEAF 计划),为在未来十年的时间范围内做出未来的对撞机决策做好准备。与其前身一样,LEAF 计划将依赖并协同目前美国由磁体开发计划 (MDP)、导体采购和研发 (CPRD) 计划和 HEP 办公室由早期职业奖 (ECA) 或实验室指导研发 (LDRD) 基金资助的其他活动所涵盖的通用研发工作。在可能的情况下,将强调与 DOE 或 NSF 其他办公室的协同努力的联系,并建议将其作为国家范围内更广泛的合作努力。国际努力也被提及为 LEAF 计划的潜在合作伙伴。我们设想 LEAF 计划将专注于展示用于 μ 子对撞机以及下一代高能强子对撞机的磁体的可行性,并在必要时并根据应用性质的要求,从研发模型过渡到长模型/原型。LEAF 计划将自然而然地推动加速器质量和实验界面设计方面的考虑。必要时,LEAF 还将专注于降低成本和/或工业化步骤。LEAF 计划预计将是一项为期十年的努力,始于 2024-2025 年左右,于 2034-2035 年左右完成。根据支持者的经验,我们建议 LEAF 计划的适当资助水平应为每年约 2500-3000 万美元,适用于所有参与者(美国国家实验室和大学)。
今天,人工智能和机器学习技术具有广泛的应用。机器学习技术的应用正在在高能量物理(HEP)和Astroparpicle物理学的研究领域中获得动力。大型强子对撞机(LHC)的实验以及其他几个基于对撞机的和Astroparpicle实验正在积累大量数据,以精确测量粒子物理学的标准模型参数的精确测量,并在较高的标准模型量表中搜索具有较高标准模型的范围,以使其具有较高的标准模型,以使其具有综合的实验性和实验性。将来,高光度LHC预计提供的数据将比迄今为止可用的数据多十倍。在开发事件分类,对象识别和估计策略方面,在HEP中应用Ma Chine学习的应用已经取得了很大的进步。ML方法有望在未来的数据分析中受到大量使用。