XiaoMi-AI文件搜索系统
World File Search SystemLHC
Alexandre de Moor
过去几十年来深度学习技术的发展和改进为高能物理学的算法方法创造了新的机会。尤其是，深度学习导致了算法识别算法的性能的显着进步，当在孔子大型强子撞机（例如cern the Cern the Colling collider）中产生时，由夸克或gluon碎片形成的结构。在本博士学位论文中，我们着重于深度学习方法，以增强CMS实验中喷气风味识别算法的性能。我们旨在通过改善模型鲁棒性来扩展其功能，以应对可能应用于算法使用的变量的变化。此外，通过扩展其最初的任务，我们为将来的研究带来了新的机会。首先，我们在创建保持喷气机结构的深神经网络的背景下探索变压器体系结构。我们建立了两个模型，其性能和计算成本为现场设定了新的最新技术。第二，我们基于对抗性攻击引入了一种数据不足的训练方法，从而提高了模型的稳健性，以防止输入变量的分布变化。增强鲁棒性对于改善校准后的模型性能是必要的。最后，我们成功地扩展了算法的任务以识别Hadronic Taus并估计喷气能量校正和分辨率。此外，我们介绍了奇怪喷气机的识别，这是LHC实验的第一个。最终，这项博士学位的工作导致创建了一类新的模型，具有改进的建筑，培训方法以及人工神经网络可能实现的范围的扩大范围。最终的模型（称为Upart）是LHC的CMS实验的JET识别的最新模型。通过源自奇怪夸克的喷气机的识别是LHC的第一个，一旦校准了新模型，就可以追求针对包含这种类型喷气的最终状态的新分析。
会议报告
欧洲核子研究中心大型强子对撞机 (LHC) 上的紧凑型μ子螺线管 (CMS) 探测器正在进行大规模升级，以应对高亮度 LHC (HL-LHC) 的严苛条件。CMS 中的新型定时探测器将测量最小电离粒子 (MIP)，时间分辨率为每次命中 ∼ 40-50 ps，覆盖率高达 | η | =3。来自此 MIP 定时探测器 (MTD) 的精确时间信息将降低 HL-LHC 预计的高水平堆积的影响，并为 CMS 探测器带来新的独特功能。MTD 的端盖区域称为端盖定时层 (ETL)，必须承受高通量，这促使人们使用具有快速电荷收集功能的薄型耐辐射硅传感器。因此，ETL 将配备硅低增益雪崩二极管 (LGAD)，覆盖高辐射伪快速度区域 1.6 < | η | < 3.0。LGAD 将使用 ETROC 读出芯片读出，该芯片专为精确计时测量而设计。我们将介绍 ETL 探测器的广泛发展和进展，从传感器到读出电子设备、机械设计和系统测试计划。此外，我们将展示测试光束结果，这些结果证明了所需的时间分辨率。
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。
有条件的探测器响应建模的生成机器学习
摘要：在本文中，我们探讨了生成机器学习模型作为计算昂贵的Monte Carlo（MC）模拟的替代品的潜力，该模拟（MC）模拟了大型强子撞机（LHC）实验通常使用的。我们的目标是开发一个能够有效地模拟特定粒子可观察物的检测器响应的生成模型，重点关注同一事件中不同颗粒的检测器响应之间的相关性并适应不对称的检测器响应。我们基于掩盖自回归流链的条件归一化流量模型（CNF），有效地结合了条件变量和高维密度分布。我们使用在LHC上对偶发事件的Higgs玻色子腐烂样品进行了模拟样本评估CNF模型的性能。我们使用涂抹技术创建重建级别的可观察力。我们表明，有条件地归一化的流可以准确地对复杂的检测器响应及其相关性进行建模。此方法可以潜在地减少与生成大量模拟事件相关的计算负担，同时确保生成的事件满足数据分析的要求。我们在https://github.com/allixu/normalizing_flow_flow_for_detector_response
粒子轨迹重建的混合量子经典图形神经网络
摘要将升级欧洲核研究组织（CERN）的大型强生对撞机（LHC），以进一步提高粒子碰撞（发光度）的瞬时速率，并成为高光度LHC（HL-LHC）。这种发光度的增加将显着增加与检测器相互作用的颗粒数量。颗粒与检测器的相互作用称为“命中”。HL-LHC将产生更多的检测器命中，这将通过使用重建算法来确定这些命中的粒子轨迹构成组合挑战。这项工作探讨了将新颖的图神经网络模型转换的可能性，该模型可以最佳地考虑到跟踪探测器数据的稀疏性质及其复杂的几何形状，并将其带入混合量子古典图神经网络，该图从使用各种量子层中受益。我们表明，这种混合模型可以执行类似于经典方法。此外，我们还探索具有不同表达能力和纠缠能力的参数化量子电路（PQC），并比较其训练性能以量化预期收益。这些结果可用于构建未来的路线图，以进一步开发基于电路的混合量子古典图神经网络。
MIL-HDBK-757(AR) - Bulletpicker
1. 本军用手册经美国陆军部所有活动和机构批准使用，并可供美国国防部所有部门和机构使用。 2. 任何有益的评论（建议、补充和删除）以及可能有助于改进本文档的任何相关数据，应发送至美国陆军装备研究、开发和工程中心指挥官，地址：SMCAR-BAC-S，皮卡汀尼兵工厂，新泽西州 07806-5020。使用文件末尾的自备标准设计改进提案（DD 表格 1426）或通过信函发送。 3. 本手册是在美国陆军装备司令部工程设计手册计划的支持下开发的，该计划由美国陆军工业工程活动部指导。三角研究学院 (RTf) 是本手册的主要承包商，该手册的编制合同编号为 DAAA09-86-D-0Q09，先进技术研究公司是 RTf 的分包商，负责编制本手册。首席研究员是 William C. Pickier 先生。lhk 手册的开发由一个技术工作组指导，该工作组由美国国家航空航天局年会研究、开发和工程中心的 Frederick R. Tepper 博士担任主席。
ImmiiEl - EverySpec
1.本军用手册经批准供陆军部所有活动和机构使用，并可供国防部所有部门和机构使用。2. 任何有益的评论（建议、增补和删除）以及任何可能有助于改进 Ibis 文档的相关数据，均应通过文档末尾的自填标准设计改进提案（DD 表格 1426）或信函的形式，发送给美国陆军装备研究、开发和工程中心指挥官，地址：A7TN：SMCAR-BAC-S，皮卡汀尼兵工厂，新泽西州 07806-5020。3.本手册是在美国陆军装备司令部工程设计手册计划的赞助下开发的，该计划由美国陆军工业工程署指导。三角研究研究所 (RTf) 是本手册编写的主要承包商，合同编号为DAAA09-86-D-0009，先进技术研究公司是 RTf 编写本手册的分包商。首席研究员是 William C. Pickier 先生。手册的开发由一个技术工作组指导，该工作组由美国陆军工程研究、开发和医学工程中心的 Frederick R. Tepper 博士担任主席。
ECFA 探测器研发路线图和 DRD 合作
研究所、实验室和大学。应确定和利用不同科学领域和行业需求之间的协同作用，以提高开发过程的效率，并增加更多技术转让的机会，造福整个社会。[...社区应该制定一个全球探测器研发路线图，该路线图应用于支持欧洲和国家层面的提案。• 成功完成高亮度 LHC 必须继续成为重点• 更新 2026 年，并在 2025 年春季之前提交输入提案
QCD 中顶夸克的量子信息
顶夸克代表着独特的高能系统，因为它们的自旋关联可以被测量，从而允许用高能对撞机中的量子比特来研究量子力学的基本方面。这里，我们给出了通过高能对撞机中的量子色动力学 (QCD) 产生的顶-反顶 (t¯t) 夸克对的量子态的一般框架。我们认为，一般来说，在对撞机中可以探测的总量子态是由产生自旋密度矩阵给出的，这必然会产生混合态。我们计算了由最基本的 QCD 过程产生的 at¯t 对的量子态，发现在相空间的不同区域存在纠缠和 CHSH 破坏。我们表明，任何现实的 at¯t 对的强子产生都是这些基本 QCD 过程的统计混合。我们重点关注在 LHC 和 Tevatron 上进行的质子-质子和质子-反质子碰撞的实验相关案例，分析量子态与碰撞能量的依赖关系。我们为纠缠和 CHSH 破坏特征提供实验可观测量。在 LHC 上，这些特征由单个可观测量的测量给出，在纠缠的情况下，这代表违反柯西-施瓦茨不等式。我们将文献中提出的 t¯t 对的量子断层扫描协议的有效性扩展到更一般的量子态和任何产生机制。最后，我们论证了在对撞机中测量的 CHSH 破坏只是一种弱形式
人工智能和机器学习的片上实现
功率：CV 2 fx（数据量）问题 ● 将数据从像素移动到外围的总功耗：1 pJ/bit（~ 5mm 距离） ● 将数据移出芯片的总功耗：> 0.1 nJ/bit 最小化 C,V ● 3D 集成（高密度、低电容互连） ● 低压信号减少数据 ● 通常仅对探测器上的电子设备进行零抑制 – 适用于稀疏数据 HL LHC：更高的粒度、更高的占用率、更高的精度 => 需要新方法