XiaoMi-AI文件搜索系统
World File Search System高能物理
高能物理研究所计算中心
l 利用AI强大能力加速高能物理科学发现 l 为粒子物理、天体物理、同步辐射、中子科学等提供AI支持 l 开发HepAI软件与系统。l 开发用于高能物理仿真、重构、分析、实现处理的DL/ML算法。l 为高能物理训练大型语言模型（LLM）。开发用于科学研究的AI代理。l 探索高能物理的大型科学模型（LSM），包括新的预训练方法、粒子的统一表示
高能物理中的量子机器学习
粒子物理学是一门科学分支，旨在通过研究物质和力的最基本成分来了解自然界的基本规律。这可以在受控环境中使用粒子加速器（如大型强子对撞机 (LHC)）或在不受控环境中（如宇宙中的灾难性事件）完成。粒子物理学的标准模型是数十年理论工作和实验的成果。虽然它是一种非常成功的有效理论，但它不允许重力的积分，并且已知有局限性。粒子物理学的实验需要大量复杂的数据集，这对数据处理和分析提出了特殊的挑战。最近，机器学习在物理科学中发挥了重要作用。特别是，我们观察到深度学习在粒子物理学和天体物理学的各种问题中的应用越来越多。超越典型的经典
2025 财年国会辩护高能物理...
高能物理概述 高能物理 (HEP) 计划的使命是通过发现物质和能量的基本成分、探究它们之间的相互作用以及探索空间和时间的基本性质，了解宇宙在最基本的层面上是如何运作的。HEP 通过在粒子物理学领域的卓越科学发现以及对世界一流科学用户设施的管理来实现其使命，这些设施支持尖端研究和开发 (R&D)。HEP 继续按时、按预算交付重大建设项目，并为用户提供可靠可用的运营设施。HEP 的工作使美国在国际粒子物理研究和合作方面保持全球领先地位。我们目前对物质和能量的基本成分及其支配力的理解是由粒子物理学的标准模型描述的。然而，实验测量表明标准模型是不完整的，未来的实验可能会发现新的物理学。2014 年 5 月，粒子物理项目优先小组 (P5) 的报告“为发现而建：美国高能物理战略计划”全球背景下的粒子物理，继续指导美国能源部 (DOE) 和国家科学基金会 (NSF) 制定美国高能物理十年战略计划，以应对 20 年全球愿景。2014 年 P5 报告确定了粒子物理的五个相互交织的科学驱动因素，它们提供了令人信服的探究路线，有望发现标准模型之外的东西： 使用希格斯玻色子作为发现的新工具； 追求与中微子质量相关的物理学； 确定暗物质的新物理学； 了解宇宙加速：暗能量和膨胀； 探索未知：新粒子、相互作用和物理原理。2022 年 12 月，DOE 和 NSF 责成高能物理咨询小组 (HEPAP) 组建一个新的 P5 小组，制定该领域的十年计划。在 2023 年 12 月的 HEPAP 会议上，小组提交了新的 2023 年 P5 报告“探索量子宇宙：粒子物理学创新和发现的途径”，HEPAP 随后一致批准了该报告。2023 年报告发布得太晚，无法影响 2025 财年的制定。然而，该报告的第一项建议强烈重申了完成过去十年启动的重大 HEP 项目的重要性，这些项目在 2025 财年请求中得到了支持。DOE 正在研究 2023 年 P5 报告，并将准备对建议的回应并制定实施计划。HEP 计划促进科学发现，并支持五个重点子计划中的前沿研发： 能量前沿实验物理学，研究人员将粒子加速到人类有史以来的最高能量，并使其碰撞以产生和研究物质的基本成分。 强度前沿实验物理学，研究人员结合使用强粒子束和高灵敏度探测器对粒子特性进行极其精确的测量，研究标准模型预测的一些最罕见的相互作用，并寻找新物理学。 宇宙前沿实验物理学，研究人员利用自然发生的宇宙粒子和现象揭示暗物质的本质，了解暗能量和膨胀引起的宇宙加速，推断某些中微子特性，并探索未知领域。 理论、计算和跨学科物理学提供了解释实验观察和深入了解自然的框架。 先进技术研发子计划促进粒子加速和检测技术及仪器的基础研究。从人工智能/机器学习 (AI/ML)、量子信息科学 (QIS)、微电子、加速器和仪器研发中涌现出的创新研究方法和使能技术将推动科学发展
高能物理中人工智能和大数据的异构计算
异构计算表示针对特定应用使用不同计算平台的场景 (Danovaro 等人，2014)。随着对大数据量和速率的查询和分析需求不断增长，对计算资源的需求也随之增长，但能源效率限制了传统方法，即通过在现有基础设施中添加数千台最先进的 x86 机器来提高数据中心的计算能力，转而采用节能设备 (Cesini 等人，2017；D'Agostino 等人，2019)。因此，数据中心的计算节点具有不同的执行模型，从传统的 x68 架构到 GPU、FPGA（Papadimitriou 等人，2020 年）和其他处理器类型，如 ARM 或更专业的处理器，如 TPU（Albrecht 等人，2019 年；Cass，2019 年）。例如，GPU 用于许多基于常规领域的科学应用中，并且提供的性能比传统内核高出几个数量级。它们也广泛用于深度学习，尤其是机器学习训练阶段。FPGA 是一种可以由程序员配置以实现特定功能的集成电路，它试图缩小硬件和软件之间的差距。在此背景下，该研究主题收集了五篇论文，展示了在高能物理中采用异构架构进行 AI 和大数据应用的非常有趣的经验。在 GPU 加速机器学习推理作为中微子实验计算服务 (Wang 等人) 中作者讨论了通过利用 GPU 资源作为服务为在深层地下中微子实验 (DUNE) 背景下开发的 ProtoDUNE-SP 重建链所实现的性能。这篇文章代表了在中微子软件框架中使用 GPU 加速机器学习的首次体验之一。最耗时的任务，即轨迹和粒子簇射命中识别，已加速 17 倍。在使用 CMS 像素跟踪器对轨迹和主顶点进行异构重建（Bocci 等人）中作者描述了一种在 GPU 上实现像素轨迹和顶点重建链的异构实现，能够实现高性能加速值。在 FPGA 上用于高能物理实时粒子重建的距离加权图神经网络（Iiyama 等人）中所开发的框架已集成到 CMS 粒子探测器重建软件 CMSSW (http://cms-sw.github.io) 中，CMSSW 用于检测 CMS 实验中 LHC 高能碰撞产生的粒子和现象。作者提出了一种新方法，将图神经网络从复杂的现代机器学习包导出到高效的 FPGA 实现中。
高能物理办公室（HEP）宇宙前沿
à 宇宙前沿 (CF) 是 HEP 中一个越来越重要的发现领域。实验使用自然发生的数据为标准模型图提供额外输入：宇宙加速（暗能量、膨胀）、寻找暗物质粒子、中微子特性、新物理学（例如遗迹粒子等）
DOE 高能物理 - 强度前沿计划
○ 联邦咨询委员会法案 (FACA) 小组 – 美国政府的官方咨询机构 ○ 例如，高能物理咨询小组 (HEPAP) 向 DOE 和 NSF 提供 HEP 计划的主要建议，并包括进行详细研究的子小组（例如，P5 子小组、HEPAP 的“国际基准研究”子小组）