XiaoMi-AI文件搜索系统
World File Search System高能物理
高能物理数据分析的量子计算
量子增强生成模型 • GANS 和 QCBM。• 在数据增强的背景下进行研究。• 与目标分布编码和可扩展量子纠错技术相关的挑战。• 对于建立“量子管道”很重要——在异常检测设置、中间编码器等中。
美国能源部高能物理 - 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) 为 DOE 和 NSF 提供 HEP 计划的主要建议，并包括负责详细研究的子小组（例如，P5 子小组、HEPAP 的“国际基准研究”子小组）
高能物理中的软件和计算。 - Indico Global
● 英国粒子物理技术咨询小组（PPTAP）（链接）[34] 同样，在软件和计算领域，英国在许多重要领域都处于领先地位，包括计算加速器的开发、低功耗计算单元的开发、计算操作、支持软件和计算、重建算法、软件框架开发、跨实验开发工具的开发、HPC 的使用以及碰撞模拟/生成程序的开发。
用于高能物理实验的硅微通道框架
微通道冷却具有出色的传热特性和最佳整合特性。微通道冷却系统通常由许多微米大小的平行通道组成，冷却液通过。这项技术在过去十年中为电子设备的热管理提出了相当大的影响[1]。从近年来微型制动技术的令人难以置信的进步中受益，微通道冷却板可以制造出来，以非常薄且光线底物的微观平行通道。由于这些原因，在高能量物理实验中的粒子探测器的热管理中，微通道冷却已开始考虑[2]。在高能物理实验中，微通道冷却的首次应用是在Na62实验[3]的GigAtracker（GTK）中进行的，其中硅微通道冷却板用于消除60×40 mm 2 GTK模块的电子设备在局部耗散的热量，同时维持40 mm 2 GTK模块，同时在5下进行了0 cy [4] Sensor Dever in Sensor Dever in Sensor Devers [4]。这项技术后来被用于大型强子对撞机美容实验（LHCB）顶点定位器（VELO）升级[6]。也已对爱丽丝内部跟踪系统（ITS）[7，8]的LS2升级进行了广泛的研究。在这项研究中，我们描述了微通道原型的制造过程和压力测试。对爱丽丝的物质预算贡献和高温均匀性的严格要求[9]需要一项深入的研究，而爱丽丝的社区与CERN，Suranaree Technology（SUT），Thai Microelectronics Center（TMEC）（TMEC）和EpletechniquiquefédéraleDeLausanne（Epfl deSanne（Epfl）进行了密切合作。
高能物理网络需求审查最终报告
5.2.2.3 仪器和设施 42 5.2.2.4 科学过程 43 5.2.2.5 远程科学活动 43 5.2.2.6 软件基础设施 44 5.2.2.7 网络和数据架构 44 5.2.2.8 云服务 45 5.2.2.9 数据相关资源限制 45 5.2.2.10 未决问题 45 5.2.2.11 案例研究贡献者 45 5.3 DESI 46 5.3.1 讨论摘要 46 5.3.2 DESI 案例研究 48 5.3.2.1 背景 48 5.3.2.2 合作者 48 5.3.2.3 仪器和设施 50 5.3.2.4 科学过程 50 5.3.2.5 远程科学活动 51 5.3.2.6 软件基础设施 51 5.3.2.7 网络和数据架构 51 5.3.2.8 云服务 52 5.3.2.9 数据相关资源限制 52 5.3.2.10 未决问题 52 5.3.2.11 案例研究贡献者 53 5.4 鲁宾天文台和 LSST 53 5.4.1 讨论摘要 54 5.4.2 鲁宾天文台案例研究 55 5.4.2.1 背景 55 5.4.2.2 合作者 56 5.4.2.2.1 南北网络 57 5.4.2.2.2 国家和国际网络 57 5.4.2.3 仪器和设施 58 5.4.2.4 科学过程 58 5.4.2.4.1 网络使用系统集成和调试 59 5.4.2.5 远程科学活动 59 5.4.2.6 软件基础设施 59 5.4.2.6.1 鲁宾天文台数据管理系统架构 60 5.4.2.6.2 计算和存储大小 61 5.4.2.6.2.1 存储要求 61 5.4.2.6.2.2 计算要求 63 5.4.2.6.3 智利数据中心 65 5.4.2.6.3.1 提示库 65 5.4.2.6.3.1.1 归档 65 5.4.2.6.3.1.2 计划观测出版物 65 5.4.2.6.3.1.3 提示处理摄取 65 5.4.2.6.3.1.4 天文台操作数据 65
高能物理中的双参数量子电路GAN模型
摘要。生成模型，尤其是生成对抗网络（GAN），正在作为蒙特卡洛模拟的可能替代方法。已经提出，在某些情况下，可以使用量子gan（qgans）加速使用gan的模拟。我们提出了QGAN的新设计，即双参数量子电路（PQC）GAN，该设计由一个经典的歧视器和两个采用PQC形式的量子代理组成。第一个PQC在n -pixel图像上学习了一个概率分布，而第二个PQC则为每个PQC输入生成了单个图像的归一化像素强度。为了了解HEP应用程序，我们评估了模仿热量计输出的任务的双PQC体系结构，转化为像素化图像。结果表明，该模型可以复制尺寸降低及其概率分布的固定数量的图像，我们预计它应该使我们可以扩展到实际热量计输出。
高能物理中量子数据学习的量子扩散模型
基于参数化量子电路的量子机器学习模型作为当前噪声量子处理器的早期应用，引起了广泛关注。虽然此类算法在实际学习任务中相对于经典算法的优势尚未得到证实，但学习由本质上是量子的量子系统生成的分布是一种很有前途的探索途径。在其他量子生成模型中，量子扩散模型已经证明了它们学习量子分布的能力，并且已被证明可以在经典数据集上工作。在这项工作中，我们提出了将量子扩散模型应用于部分子簇射的量子数据学习，因为这些是高能物理现象，由于其固有的量子特性，很难用经典方法模拟，并构成了量子数据学习的基准。
高能物理中的双参数化量子电路 GAN 模型
摘要。生成模型，尤其是生成对抗网络 (GAN)，正在被研究作为蒙特卡罗模拟的可能替代方案。有人提出，在某些情况下，使用量子 GAN (qGAN) 可以加速使用 GAN 的模拟。我们提出了一种新的 qGAN 设计，即双参数化量子电路 (PQC) GAN，它由一个经典鉴别器和两个采用 PQC 形式的量子生成器组成。第一个 PQC 学习 N 像素图像的概率分布，而第二个 PQC 为每个 PQC 输入生成单个图像的归一化像素强度。为了实现 HEP 应用，我们在模拟量热仪输出并将其转换为像素化图像的任务上评估了双 PQC 架构。结果表明，该模型可以重现固定数量的图像，尺寸更小，并且能够重现它们的概率分布，我们预计它应该可以让我们扩展到真实的量热仪输出。
2024/12/4, 量子时代的高能物理 内田文雄 (KEK)
∂ x ψ ( xj ) | j ⟩ d dτ ∂ x ψ ( xj ) = ∂ x ψ ( xj −1 ) −2∂ x ψ ( xj ) + ∂ x ψ ( xj +1 )
适用于高能物理和同步加速器应用的低增益雪崩探测器 (LGAD 和 iLGAD)
警告。访问本论文内容的前提是接受以下知识共享许可规定的使用条款：https://creativecommons.org/licenses/?lang=ca