XiaoMi-AI文件搜索系统
World File Search SystemLDRD
绘制机会空间，使用能源效率和可再生能源办公室资助的工具对循环经济进行建模
List of Acronyms and Abbreviations ABM agent-based model ADOPT Automotive Deployment Options Projection Tool AM Additive Manufacturing AWARE-US Available Water Remaining for the United States BEAM Behavior, Energy, Autonomy, and Mobility BEIOM Bio-based circular carbon economy Environmentally-extended Input- Output Model BioAGE Bioeconomy Air emissions Greenhouse gas emissions, and Energy use model CE Circular Economy CECE Circular Economy Capacity Expansion celavi循环经济生命周期评估和可视化框架CSV分离值DID dmt DMT DMT二甲基苯甲酸二甲酸DREEM动态动态稀有地球生产需求EEIO EEIO EEIO环境扩展输入能源效率EERE EERE EREW GREET Greenhouse Gases, Regulated Emissions, and Energy Use in Technologies GSR GeoSpatial Roadmap HTML HyperText Markup Language) ISCEM Iron & Steel CE Model ISO International Organization for Standardization kg kilogram LCA life cycle assessment LCI life cycle inventory LCIA life cycle impact analysis LDRD Laboratory Directed Research and Development LiAISON Life cycle Analysis Integration into Scalable Open-source Numerical models LIBRA Lithium-Ion Battery Resource评估MA3T先进汽车技术的市场接受MFA材料流量分析MFI材料流过行业MJ Megajoules NDFEB Neodomium Magnets或Operations研究PET PET聚乙二醇terephene terephenate pi主要研究员
2021 年 Snowmass 赛事流程
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）。
闪光影像学和层析成像的闪光灯的需求，趋势和进步
手稿于2023年6月19日收到；修订于2023年6月26日； 2023年6月27日接受。出版日期； 2023年6月28日；当前版本的日期2023年7月18日。这项工作得到了美国能源部（Los Alamos报告编号LA-ur-22-32994）的部分支持，合同89233218CNA000001。根据20190043dr奖，洛斯阿拉莫斯国家实验室的实验室指导研究与开发计划（LDRD）计划的支持。Reeju Pokharel的工作得到了Grant Doe-NNSA的能源部国家核安全部门的动态材料物业运动的支持。Daniel J. Rutstrom的工作得到了DOE-NNSA的部分支持，该公司通过核科学和安全联盟颁发的DE-NA-0003 180奖和DE-NA-0003996奖和核能办公室，核能办公室，综合大学计划研究生奖学金。C. L. Morris和Mariya Zhuravleva的工作得到了田纳西大学的核科学和安全财团的支持，该联盟颁发了DE-NA-0003 180奖和DE-NA-0003996奖。Anton S. tremsin的工作得到了美国能源/NNSA/DNN研发部的部分支持，部分以及劳伦斯·伯克利国家实验室的一部分是根据合同AC02-05CH11231所支持的。本文的较早版本是在第16届闪烁材料及其应用国际会议的特刊（SCINT22），9月19日至23日，2022年，美国新墨西哥州圣达菲[doi：10.48550/arxiv.2212.10322]。（通讯作者：Zhehui Wang。）数字对象标识符10.1109/tns.2023.3290826Christotoge Dujardin与LumièreMatièreInstitut，UMR5306，CNRS，CNRS，UniverséClaudeBernard Lyon1，69622法国Villebanne，法国（电子邮件：christophhe.dujardin@.fr）。 Paul Lecoq是瑞士CH-1211 Geneva的欧洲核研究组织（电子邮件：Paul.lecoq@cern.ch）。 Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。 Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; > > > >Christotoge Dujardin与LumièreMatièreInstitut，UMR5306，CNRS，CNRS，UniverséClaudeBernard Lyon1，69622法国Villebanne，法国（电子邮件：christophhe.dujardin@.fr）。Paul Lecoq是瑞士CH-1211 Geneva的欧洲核研究组织（电子邮件：Paul.lecoq@cern.ch）。 Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。 Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; > > >Paul Lecoq是瑞士CH-1211 Geneva的欧洲核研究组织（电子邮件：Paul.lecoq@cern.ch）。Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。 Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; > >Wei Liu和Daniel G. Robertson在AZ 85054的May Clinic（电子邮件：liu.wei@mayoyo.edu; robertson.daniel@mayo.edu）。Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu; >Charles L. Melcher，Daniel J. Rutstrom和Mariya Zhuravleva与材料科学与工程系一起，田纳西州诺克斯维尔，田纳西州诺克斯维尔大学，美国田纳西州37996（电子邮件：cmelcher@cmelcher@utk.edu; drk.edu; drk.edu; drk.edu;Mar Nikl曾在捷克科学学院的物理研究所，捷克共和国普拉格16200号（电子邮件：nikl@fzu.cz）。Anton S. Tremsin与加利福尼亚州伯克利分校的太空科学实验室一起，美国加利福尼亚州94720美国（电子邮件：astr@berkeley.edu）。本文中一个或多个数字的颜色版本可从https://doi.org/10.1109/tns.2023.3
项目名称：分布式系统加速器实时边缘人工智能（READS）
简介和动机 在过去十年中，机器学习 (ML) 技术逐渐进入加速器社区。近年来，深度学习的快速发展，特别是用于控制系统应用的强化学习以及深度学习在嵌入式硬件中的可访问性，重新引起了人们的兴趣并催生了大量应用 [ 1 ]。费米实验室加速器综合体（如图 1 所示）已为高能物理 (HEP) 实验提供了近五十年的质子束。该实验室目前的重点是其世界一流的强度前沿实验项目。虽然增加光束强度确实有其自身的挑战，但在很多方面，保持光束大小同时最大限度地减少光束损失（通过与光束真空管相互作用而损失的粒子）才是主要挑战。加速器通过数十万个设备的复杂系统进行控制。使用 ML 方法实现对其参数的微调和实时优化并超越人类操作员基于经验的推理是未来强度升级成功的关键。我们的目标是将 ML 集成到加速器操作中，此外，提供一个可访问的框架，该框架也可被具有动态调整需求的其他广泛加速器系统使用。为了成功最大限度地发挥 ML 的应用优势，我们将考虑以下几点：实时边缘 ML 系统优化：加速器涉及电源、射频和其他控制系统的复杂调节回路阵列。调节回路的增益针对操作进行手动优化和修复。实际上，光束分布和强度是在加速过程中变化的动态量。因此，这些动态系统理想情况下应该以近乎实时的方式重新检查操作条件。这需要一个能够在足够短的毫秒时间尺度上对系统变化做出反应的 ML 模型。快速、智能的分布式系统：由于粒子加速器的物理规模很大，控制系统往往分布在整个设施中。因此，优化每台机器的性能以及综合体的整体性能意味着需要一个快速的数据传输系统，允许子系统、机器和负责运行 ML 算法的计算机资源之间进行实时通信。我们的项目 Accelerator READS 将开发 ML 方法及其在大型加速器系统中的边缘实现。费米实验室在开发用于系统控制的实时嵌入式边缘 ML 设备方面处于领先地位，并利用 ML 提高了 HEP 实验的效率和准确性，例如紧凑型μ子螺线管 (CMS) 实验 [ 2 ]。利用内部实验室指导的研究和开发 (LDRD) 计划，费米实验室已经证明单个 ML 系统可以提高加速器性能。然而，将嵌入式 ML 系统连接在一起以协调分析和控制多个复杂结构尚未实现。将这项技术应用于加速器将使费米实验室加速器设施向快速、分布式和高性能控制和操作迈进。加速器 READS 产生的方法和工具将与各种复杂和分布式控制器的设计相关。我们将通过两个重要的实验来证明我们提案的有效性：Mu2e 溢出调节系统和主喷射器 (MI) 和循环器环 (RR) 光束损耗的去混合。