XiaoMi-AI文件搜索系统
World File Search SystemLHC
基于图的扩散模型，用于使用不规则几何量的热量量表中的快速淋浴模型
仿真在解释大型强子对撞机（LHC）实验的碰撞数据以及与理论预测的测试对齐中起着至关重要的作用。在模拟碰撞数据中所带来的独特挑战，包括高维特征空间和缺乏可拖动的可能性模型，启发了一系列深度学习解决方案[1,2]。特别是，对于模拟检测器中的粒子相互作用，核心挑战是有限的计算资源，以对热量计中的粒子阵雨建模所需的极端细节主导。在这里，基于Geant 4 [3 - 5]的蒙特卡洛模拟的传统方法是强大但资源高度的 - 占据了地图集模拟链中最大的时间[6]。在未来的高光度LHC运行中，热量计模拟将需要应对更高的数据速率，从而可能成为物理分析的限制因素，而在该领域没有显着进展[7]。为了大大加快热量计模拟的速度，已经采取了许多努力。虽然快速的淋浴模型已成功部署在LHC实验[8,9]中，但准确性却有限。最近，深层生成模型的出现导致了它们的广泛流行和解决这项任务的潜力。应用于量热计的第一个生成模型
超对称顶夸克事件分类的量子算法
寻找超对称粒子是大型强子对撞机 (LHC) 的主要目标之一。超对称顶部 (停止) 搜索在这方面发挥着非常重要的作用，但 LHC 下一个高光度阶段将达到前所未有的碰撞率，这对任何新信号与标准模型背景的分离提出了新的挑战。量子计算技术提供的大规模并行性可以为这个问题提供有效的解决方案。在本文中，我们展示了缩放量子退火机器学习方法的一种新应用，用于对停止信号与背景进行分类，并在量子退火机中实现它。我们表明，这种方法与使用主成分分析对数据进行预处理相结合，可以产生比传统多元方法更好的结果。
模拟Z晶格量规理论上的量子计算机
•世界是量子，我们很幸运，任何适合古典计算机的东西 - 大型量子计算机可以在HEP中处理计算，否则无法访问 - 这打开了新的边界并扩展了LHC，LIGO，LIGO，EIC和DUNE
核物理AI/ML核物理AI/ML
[1] G. Gavalian等。“使用人工智能在CLAS12检测器中使用粒子轨迹识别。”Arxiv预印型ARXIV：2008.12860（2020）。[2] G. Gavalian。“用于CLAS12的漂移室中轨道重建的自动编码器。”ARXIV预印型ARXIV：2009.05144（2020）。[3] L.-G。 Gagnon，LHC的轨道重建机器学习，2022 Jinst 17 C02026 - AI4EIC研讨会[4] EXA.TRKX：Exascale的HEP跟踪。DOE Comphep项目，https://exatrkx.github.io/ [5] A. Akram和X. Ju。“在Panda实验中使用稻草管跟踪器（STT）中使用几何深度学习的跟踪重建”。arxiv：2208.12178（2022）[6] D. Rohr“在爱丽丝的在线和离线重建的概述，用于LHC运行3.”arxiv：2009.07515（2020）https://arxiv.org/abs/2009.07515
CERN Courier
粒子物理学和超导性紧密相连。由超导电缆制成的磁铁，尤其是由铌钛制成的磁铁，可使高能束流在对撞机中循环，并为粒子探测器提供更强的磁场。LHC 是有史以来最大的超导机器，而它的两个探测器包含规模空前的超导磁体，使希格斯玻色子在五年前被发现。对更高性能机器的需求，例如 LHC 光度升级和未来的圆形对撞机，需要下一代导体，例如铌锡，而 CERN 正在朝着此类技术快速迈进。继 MRI 之后，粒子物理学是超导体公司的最大客户，而 ITER 聚变实验也对全球铌锡生产产生了巨大影响。超导磁体的发展离不开超导射频腔的快速发展，超导射频腔用于加速粒子束，这一点从 20 世纪 90 年代 LHC 前身 LEP 的升级，到如今欧洲 X 射线自由电子激光器和可能的线性对撞机的实现，都可见一斑。高温超导体有望实现性能飞跃，30 年前人们就发现了高温超导体，但至今仍是一个谜。欧洲核子研究中心 (CERN) 正在这一领域取得重要进展，并已启动培训下一代超导研究人员的计划。粒子物理学正与工业界一起帮助我们实现全部
数字版 - CERNCOURIER
粒子物理学和超导性紧密相连。由超导电缆制成的磁铁，尤其是由铌钛制成的磁铁，可使高能束流在对撞机中循环，并为粒子探测器提供更强的磁场。LHC 是有史以来最大的超导机器，而它的两个探测器包含规模空前的超导磁体，使希格斯玻色子在五年前被发现。对更高性能机器的需求，例如 LHC 光度升级和未来的圆形对撞机，需要下一代导体，例如铌锡，而 CERN 正在朝着此类技术快速迈进。继 MRI 之后，粒子物理学是超导体公司的最大客户，而 ITER 聚变实验也对全球铌锡生产产生了巨大影响。除了超导磁体之外，超导射频腔也得到了快速发展，用于加速粒子束——正如 20 世纪 90 年代 LHC 前身 LEP 的升级以及如今欧洲 X 射线自由电子激光器和可能的线性对撞机的实现所展示的那样。高温超导体有望实现性能飞跃，30 年前人们就发现了高温超导体，但至今仍是一个谜。欧洲核子研究中心正在这一领域取得重要进展，并已启动培训下一代超导研究人员的计划。粒子物理学与工业界一起帮助我们实现全部
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）。
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。
![arXiv:2202.13555v2 [nucl-th] 2022 年 5 月 17 日](/simg/g:\will\search\icon\source\4\4d9a60065a8cb035a875f8d78c5033d0daedddd1.webp)
arXiv:2202.13555v2 [nucl-th] 2022 年 5 月 17 日
重夸克是电磁场和高能核碰撞中产生的夸克胶子等离子体 (QGP) 物质初始条件的重要探针。在与 (3+1) 维粘性流体动力学模型耦合的改进的朗之万模型中，我们探索了重介子及其衰变轻子的定向流系数 (v 1 ) 的起源，以及它在相反电荷之间的分裂 (∆v 1)。我们发现，虽然重夸克 v 1 的快速度依赖性主要由 RHIC 能量下 QGP 相对于纵向的倾斜能量密度分布驱动，但它主要受 LHC 能量下的电磁场影响。∆v 1 可作为电磁场时空演化分布的一种新探针。我们对 D 介子及其衰变电子的研究结果与 RHIC 和 LHC 上现有的数据一致，而且我们对重味衰变μ子的预测可以通过未来的测量进一步检验。
粒子和Astroparpicle物理学的机器学习
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。