XiaoMi-AI文件搜索系统
World File Search System高能物理
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。
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
高能物理学中的量子信息科学
• Prime factorization (Shore's algorithm) : arxiv:9508027 • Database search (Grover's algorithm) : doi:10.1145/237814.237866 • Fast Fourier transform (qFFT) : arxiv:0201067 • Linear system solver (HHL) : arxiv:0811.3171 • …
高能物理学中的最大纠缠
A. Osterloh，Light Audio，G。Falci和念珠天然416，608（2002）L。Tagliaczo，Thiago。R.修订版b 78，024410（2008）
高能物理学中量子机学习的事件分类
摘要我们介绍了利用机器学习的量子算法的研究，以从背景事件中对感兴趣的事件进行分类，这是高能物理学中最具代表性的机器学习应用之一。我们着重于学习输入数据的属性的变分量子方法，并使用模拟器和量子计算设备评估事件分类的性能。基于增强的否定树和使用经典计算机的深神经网络的标准多变量分类技术的性能比较表明，量子算法在输入变量数量和训练样本大小的考虑范围内与标准技术具有可比性的性能。用量子计算机测试了变分量子算法，表明从背景中歧视有趣的事件是可行的。特征行为，以及当前性能在高能物理实验中的含义。
高能物理的量子传感 - INFO
2017年12月在Argonne National Laboratoration举行了第一个关于高能量物理学（HEP）量子传感的粒子和田地APS分级的高级探测器（CPAD）的协调面板。来自大学和国家实验室的参与者是从量子信息科学（QIS），高能量物理学，原子质，分子和光学物理学，凝结物理学，核物理学和材料科学的相交领域汲取的。支持量子的科学技术已经取得了迅速的技术进步，并且在国家的利益和投资中不断增长。研讨会的目标是将各个社区聚集在一起，以调查途径，以整合这两个学科的专业知识，以加速科学进步的相互进步。