


Changeant les règles du jeu pour les futures expériences sur les collisionneurs, l'Académie chinoise des sciences et l'Université de Pékin développent une technologie d'identification des sources d'injection basée sur l'IA
Editor|Ziluo
쿼크와 글루온은 입자물리학 표준모형의 기본 입자로, 전자나 광자와 달리 공간과 공간에서 자유롭게 이동할 수 없습니다. 양성자나 중성자와 같은 복합 입자에만 결합될 수 있습니다.
충돌기 실험에서 생성된 고에너지 쿼크 또는 글루온은 복잡한 상호작용을 통해 다수의 최종 입자로 변환되며, 이는 원래 쿼크 또는 글루온의 운동 방향을 따라 더 작은 각도로 방출됩니다. 현상을 주입이라고 합니다.
최근 중국 과학 아카데미 고에너지 물리학 연구소의 Ruan Manqi 팀, 북경 대학의 Zhou Chen 팀, CERN의 Qu Huilin 연구원이 제트 소스 식별 기술을 제안했습니다. 이 기술은 고에너지 충돌기 실험의 과학적 발견 능력을 크게 향상시킬 수 있습니다.
원래 고성능 입자 흐름 재구성 알고리즘인 아버(Arbor)와 첨단 인공지능 기술인 파티클넷(ParticleNet)을 결합해 연구팀은 효율적인 주입원 식별 기술을 개발했다. 이 기술은 서로 다른 유형의 제트 간의 미세한 차이를 포착함으로써 5가지 유형의 쿼크(업, 다운, 스트레인지, 참, 바닥), 5가지 유형의 반쿼크 및 글루온에 의해 생성된 11개의 서로 다른 제트를 동시에 효율적으로 구별할 수 있습니다.
이 기술은 과학자들이 다양한 입자와 쿼크, 글루온 간의 상호 작용을 정확하게 측정하고 극도로 약한 힉스 입자 붕괴 신호를 포착하는 데 도움이 될 수 있습니다. 이 기술은 미래의 충돌체에 대한 주요 물리적 측정의 정확도를 몇 배로 향상시켜 대형 과학 장치의 과학적 발견 능력을 크게 확장할 수 있습니다.
리뷰어는 "세계 최고의 식별 성능", "게임의 규칙을 바꿨다", "향후 충돌기 실험에서 정확한 측정을 위한 새로운 비전을 창조했다"고 평가했습니다.
이 연구의 제목은 "전자-양전자 힉스 공장에서의 제트 기원 식별 및 응용"이며 2024년 5월 31일 "Physical Review Letters"에 게재되었습니다.
주입은 고에너지 충돌 실험에서 대량으로 생산될 수 있으며, 이는 주사의 기원을 정확하게 식별합니다. 어떤 종류의 쿼크나 글루온이 충돌기 사례 뒤에 숨어 있는 물리적 법칙을 발견하고 이해하는 데 매우 중요합니다. 그러나 서로 다른 쿼크와 글루온에서 생성된 제트는 구성이 매우 유사하므로 제트의 기원을 정확하게 식별하는 것이 매우 어렵습니다.
제트 기원 식별
Background
고에너지 충돌기 실험의 과학적 발견 능력을 높이기 위해 연구자들은 제트 기원 식별 개념을 제안하고 제트를 다음과 같이 구분했습니다. 종류 :
- 5가지 종류의 쿼크: a, b, s, u, d
- 5가지 종류의 반쿼크: a̅, b́, s̅, u̅, d̎
- gluons
중요함
성공적인 제트 소스 식별은 QCD(양자 색역학) 프로세스에서 큰 배경을 효과적으로 줄일 수 있으므로 대형 강입자 충돌기와 같은 에너지 최전선의 입자 물리학 실험에 매우 중요합니다.
Method
연구원들은 GEANT4 기반 시뮬레이션(전체 시뮬레이션이라고 함)을 사용하여 미래 충돌기 프로젝트의 최우선 과제인 전자-양전자 힉스 공장에서 물리학 이벤트의 주입 원점 식별 개념을 구현했습니다. 연구원들은 입자 흐름 이벤트 재구성 및 주입 소스 식별을 위해 Arbor 및 ParticleNet과 같은 소프트웨어 도구를 개발했습니다.
성능
이 연구는 제트 "맛" 마커 및 제트 전하 측정 성능을 보여주는 11차원 혼동 행렬(M11)을 사용하여 제트 기원 식별 성능을 보여줍니다.
Dérivez des limites supérieures pour ces sept processus, allant de 10^−3 à 10^−4. Dans le modèle standard, le rapport de branchement prévu pour le processus H → ss¯ est de 2,3 × 10^−4, et la limite supérieure dérivée est équivalente à 3 fois la prédiction du modèle standard. Le rapport de branchement de H → uu¯ et dd¯ devrait être inférieur à 10^−6, tandis que le rapport de branchement du processus FCNC ci-dessus devrait être inférieur à 10^−7 sur la base de la contribution de la boucle.
Cette technologie fournit aux scientifiques un nouvel outil puissant pour l'exploration scientifique du futur collisionneur et prouve également que les informations complexes contenues dans le processus de génération d'injection peuvent être comprises et traitées par l'utilisation d'algorithmes avancés d'intelligence artificielle.
À l'avenir, l'équipe de recherche scientifique prévoit d'étudier plus en profondeur l'application de la technologie de l'intelligence artificielle à des questions scientifiques plus larges et plus approfondies.
Lien papier : https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.221802
Contenu de référence :
https://phys.org/news/2024-06-ai-powered-jet -identification-technology.html
https://www.ccnta.cn/article/17151.html
Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Outils d'IA chauds

Undresser.AI Undress
Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover
Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool
Images de déshabillage gratuites

Clothoff.io
Dissolvant de vêtements AI

Video Face Swap
Échangez les visages dans n'importe quelle vidéo sans effort grâce à notre outil d'échange de visage AI entièrement gratuit !

Article chaud

Outils chauds

Bloc-notes++7.3.1
Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise
Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1
Puissant environnement de développement intégré PHP

Dreamweaver CS6
Outils de développement Web visuel

SublimeText3 version Mac
Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Sujets chauds











Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Dans la fabrication moderne, une détection précise des défauts est non seulement la clé pour garantir la qualité des produits, mais également la clé de l’amélioration de l’efficacité de la production. Cependant, les ensembles de données de détection de défauts existants manquent souvent de précision et de richesse sémantique requises pour les applications pratiques, ce qui rend les modèles incapables d'identifier des catégories ou des emplacements de défauts spécifiques. Afin de résoudre ce problème, une équipe de recherche de premier plan composée de l'Université des sciences et technologies de Hong Kong, Guangzhou et de Simou Technology a développé de manière innovante l'ensemble de données « DefectSpectrum », qui fournit une annotation à grande échelle détaillée et sémantiquement riche des défauts industriels. Comme le montre le tableau 1, par rapport à d'autres ensembles de données industrielles, l'ensemble de données « DefectSpectrum » fournit le plus grand nombre d'annotations de défauts (5 438 échantillons de défauts) et la classification de défauts la plus détaillée (125 catégories de défauts).

Editeur | KX À ce jour, les détails structurels et la précision déterminés par cristallographie, des métaux simples aux grandes protéines membranaires, sont inégalés par aucune autre méthode. Cependant, le plus grand défi, appelé problème de phase, reste la récupération des informations de phase à partir d'amplitudes déterminées expérimentalement. Des chercheurs de l'Université de Copenhague au Danemark ont développé une méthode d'apprentissage en profondeur appelée PhAI pour résoudre les problèmes de phase cristalline. Un réseau neuronal d'apprentissage en profondeur formé à l'aide de millions de structures cristallines artificielles et de leurs données de diffraction synthétique correspondantes peut générer des cartes précises de densité électronique. L'étude montre que cette méthode de solution structurelle ab initio basée sur l'apprentissage profond peut résoudre le problème de phase avec une résolution de seulement 2 Angströms, ce qui équivaut à seulement 10 à 20 % des données disponibles à la résolution atomique, alors que le calcul ab initio traditionnel

La communauté ouverte LLM est une époque où une centaine de fleurs fleurissent et s'affrontent. Vous pouvez voir Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 et bien d'autres. excellents interprètes. Cependant, par rapport aux grands modèles propriétaires représentés par le GPT-4-Turbo, les modèles ouverts présentent encore des lacunes importantes dans de nombreux domaines. En plus des modèles généraux, certains modèles ouverts spécialisés dans des domaines clés ont été développés, tels que DeepSeek-Coder-V2 pour la programmation et les mathématiques, et InternVL pour les tâches de langage visuel.

Pour l’IA, l’Olympiade mathématique n’est plus un problème. Jeudi, l'intelligence artificielle de Google DeepMind a réalisé un exploit : utiliser l'IA pour résoudre la vraie question de l'Olympiade mathématique internationale de cette année, l'OMI, et elle n'était qu'à un pas de remporter la médaille d'or. Le concours de l'OMI qui vient de se terminer la semaine dernière comportait six questions portant sur l'algèbre, la combinatoire, la géométrie et la théorie des nombres. Le système d'IA hybride proposé par Google a répondu correctement à quatre questions et a marqué 28 points, atteignant le niveau de la médaille d'argent. Plus tôt ce mois-ci, le professeur titulaire de l'UCLA, Terence Tao, venait de promouvoir l'Olympiade mathématique de l'IA (AIMO Progress Award) avec un prix d'un million de dollars. De manière inattendue, le niveau de résolution de problèmes d'IA s'était amélioré à ce niveau avant juillet. Posez les questions simultanément sur l'OMI. La chose la plus difficile à faire correctement est l'OMI, qui a la plus longue histoire, la plus grande échelle et la plus négative.

En 2023, presque tous les domaines de l’IA évoluent à une vitesse sans précédent. Dans le même temps, l’IA repousse constamment les limites technologiques de domaines clés tels que l’intelligence embarquée et la conduite autonome. Sous la tendance multimodale, le statut de Transformer en tant qu'architecture dominante des grands modèles d'IA sera-t-il ébranlé ? Pourquoi l'exploration de grands modèles basés sur l'architecture MoE (Mixture of Experts) est-elle devenue une nouvelle tendance dans l'industrie ? Les modèles de grande vision (LVM) peuvent-ils constituer une nouvelle avancée dans la vision générale ? ...Dans la newsletter des membres PRO 2023 de ce site publiée au cours des six derniers mois, nous avons sélectionné 10 interprétations spéciales qui fournissent une analyse approfondie des tendances technologiques et des changements industriels dans les domaines ci-dessus pour vous aider à atteindre vos objectifs dans le nouveau année. Cette interprétation provient de la Week50 2023

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Editeur | KX La rétrosynthèse est une tâche essentielle dans la découverte de médicaments et la synthèse organique, et l'IA est de plus en plus utilisée pour accélérer le processus. Les méthodes d’IA existantes ont des performances insatisfaisantes et une diversité limitée. En pratique, les réactions chimiques provoquent souvent des modifications moléculaires locales, avec un chevauchement considérable entre les réactifs et les produits. Inspirée par cela, l'équipe de Hou Tingjun de l'Université du Zhejiang a proposé de redéfinir la prédiction rétrosynthétique en une seule étape en tant que tâche d'édition de chaînes moléculaires, en affinant de manière itérative la chaîne moléculaire cible pour générer des composés précurseurs. Et un modèle rétrosynthétique basé sur l'édition, EditRetro, est proposé, qui permet d'obtenir des prédictions diverses et de haute qualité. Des expériences approfondies montrent que le modèle atteint d'excellentes performances sur l'ensemble de données de référence standard USPTO-50 K, avec une précision top 1 de 60,8 %.
