


Mengubah peraturan permainan untuk eksperimen pelanggar masa hadapan, Akademi Sains China dan Universiti Peking membangunkan teknologi pengenalan sumber suntikan dipacu AI
Editor|Ziluo
Kuar dan gluon ialah zarah asas dalam model fizik zarah piawai Tidak seperti elektron atau foton, kuark dan gluon tidak boleh bergerak bebas dalam ruang dan masa dan hanya boleh diikat menjadi zarah komposit seperti proton atau neutron.
Kuark atau gluon bertenaga tinggi yang dihasilkan dalam eksperimen collider akan ditukar kepada sejumlah besar zarah akhir melalui interaksi yang kompleks, yang akan dikeluarkan pada sudut yang lebih kecil di sepanjang arah gerakan quark atau gluon asal, ini fenomena dipanggil suntikan.
Baru-baru ini, pasukan Ruan Manqi dari Institut Fizik Tenaga Tinggi, Akademi Sains China, pasukan Zhou Chen dari Universiti Peking dan penyelidik Qu Huilin dari CERN telah mencadangkan teknologi pengenalan sumber jet. Teknologi ini boleh meningkatkan dengan ketara keupayaan penemuan saintifik bagi eksperimen collider bertenaga tinggi.
Menggabungkan algoritma pembinaan semula aliran zarah berprestasi tinggi asal Arbor dan teknologi kecerdasan buatan termaju ParticleNet, pasukan penyelidik membangunkan teknologi pengenalan sumber suntikan yang cekap. Dengan menangkap perbezaan kecil antara jenis jet yang berbeza, teknologi ini secara serentak dan cekap boleh membezakan sebelas jet berbeza yang dihasilkan oleh lima jenis quark (atas, bawah, pelik, daya tarikan, dan bawah), lima jenis antiquark dan gluon .
Teknologi ini boleh membantu saintis mengukur dengan tepat interaksi antara zarah, kuark dan gluon yang berbeza, dan menangkap beberapa isyarat pereputan zarah Higgs yang sangat lemah. Teknologi ini boleh meningkatkan ketepatan ukuran fizikal utama pada pelanggar masa hadapan dengan susunan magnitud, dengan ketara mengembangkan keupayaan penemuan saintifik peranti saintifik yang besar.
Pengulas menilainya sebagai "prestasi pengenalan terbaik dunia", "mengubah peraturan permainan", dan "mencipta visi baharu untuk pengukuran yang tepat dalam eksperimen pelanggar masa hadapan".
Kajian itu bertajuk "Pengenalpastian Asal Jet dan Aplikasinya di Kilang Electron-Positron Higgs" dan diterbitkan dalam "Surat Kajian Fizikal" pada 31 Mei 2024.
Suntikan boleh dihasilkan dalam kuantiti yang banyak dalam percubaan perlanggaran tenaga tinggi yang mengenal pasti dengan tepat ialah, sumber suntikan Apakah jenis quark atau gluon yang sangat penting untuk menemui dan memahami undang-undang fizikal di sebalik kotak collider. Walau bagaimanapun, jet yang dihasilkan oleh quark dan gluon yang berbeza sangat serupa dalam konfigurasi, dan sangat sukar untuk mengenal pasti asal usul jet dengan tepat.
Pengenalpastian asal usul jet
Latar belakang
Untuk meningkatkan keupayaan penemuan saintifik eksperimen pelanggar tenaga tinggi, penyelidik telah mencadangkan konsep pengenalpastian asal jet kepada perkara berikut dan jenis :
- Lima jenis quark: a, b, s, u, d
- Lima jenis antiquark: a¯, b¯, s¯, u¯, d¯
- gluon
Kepentingan
Pengenalpastian sumber jet yang berjaya adalah penting untuk fizik zarah eksperimen di sempadan tenaga, seperti Large Hadron Collider, kerana ia boleh mengurangkan latar belakang besar dalam proses kromodinamik kuantum (QCD) dengan berkesan.
Kaedah
Penyelidik menggunakan simulasi berasaskan GEANT4 (dipanggil simulasi penuh) untuk melaksanakan konsep pengenalan asal suntikan dalam acara fizik di Kilang Electron-Positron Higgs, masa depan Keutamaan tertinggi untuk projek collider. Penyelidik telah membangunkan alat perisian seperti Arbor dan ParticleNet untuk pembinaan semula peristiwa aliran zarah dan pengenalan sumber suntikan.
Prestasi
Kajian ini menunjukkan prestasi diskriminasi asal jet menggunakan matriks kekeliruan 11 dimensi (M11), yang menunjukkan prestasi penanda "rasa" jet dan ukuran cas jet.
これら 7 つのプロセスの上限を 10^−3 から 10^−4 の範囲で導き出します。標準モデルでは、H→ss ̄工程の予測分岐率は2.3×10^−4であり、導出される上限は標準モデルの予測の3倍に相当します。 H → uu ̄ および dd ̄ の分岐比は 10^−6 未満であると予想されますが、上記の FCNC プロセスの分岐比はループの寄与に基づいて 10^−7 未満であると予想されます。
この技術は、科学者に将来の衝突型加速器での科学的探査のための強力な新しいツールを提供し、また、射出生成プロセスに含まれる複雑な情報が高度な人工知能アルゴリズムを使用して理解および処理できることを証明します。
将来的に、科学研究チームは、より広く深い科学問題への人工知能技術の応用をさらに研究する予定です。
論文リンク: https://journals.aps.org/prl/abstract/10.1103/PhysRevLett.132.221802
参考コンテンツ:
https://phys.org/news/2024-06-ai-powered-jet -identification-technology.html
https://www.ccnta.cn/article/17151.html
Atas ialah kandungan terperinci Mengubah peraturan permainan untuk eksperimen pelanggar masa hadapan, Akademi Sains China dan Universiti Peking membangunkan teknologi pengenalan sumber suntikan dipacu AI. Untuk maklumat lanjut, sila ikut artikel berkaitan lain di laman web China PHP!

Alat AI Hot

Undresser.AI Undress
Apl berkuasa AI untuk mencipta foto bogel yang realistik

AI Clothes Remover
Alat AI dalam talian untuk mengeluarkan pakaian daripada foto.

Undress AI Tool
Gambar buka pakaian secara percuma

Clothoff.io
Penyingkiran pakaian AI

Video Face Swap
Tukar muka dalam mana-mana video dengan mudah menggunakan alat tukar muka AI percuma kami!

Artikel Panas

Alat panas

Notepad++7.3.1
Editor kod yang mudah digunakan dan percuma

SublimeText3 versi Cina
Versi Cina, sangat mudah digunakan

Hantar Studio 13.0.1
Persekitaran pembangunan bersepadu PHP yang berkuasa

Dreamweaver CS6
Alat pembangunan web visual

SublimeText3 versi Mac
Perisian penyuntingan kod peringkat Tuhan (SublimeText3)

Topik panas











Laman web ini melaporkan pada 27 Jun bahawa Jianying ialah perisian penyuntingan video yang dibangunkan oleh FaceMeng Technology, anak syarikat ByteDance Ia bergantung pada platform Douyin dan pada asasnya menghasilkan kandungan video pendek untuk pengguna platform tersebut Windows , MacOS dan sistem pengendalian lain. Jianying secara rasmi mengumumkan peningkatan sistem keahliannya dan melancarkan SVIP baharu, yang merangkumi pelbagai teknologi hitam AI, seperti terjemahan pintar, penonjolan pintar, pembungkusan pintar, sintesis manusia digital, dsb. Dari segi harga, yuran bulanan untuk keratan SVIP ialah 79 yuan, yuran tahunan ialah 599 yuan (nota di laman web ini: bersamaan dengan 49.9 yuan sebulan), langganan bulanan berterusan ialah 59 yuan sebulan, dan langganan tahunan berterusan ialah 499 yuan setahun (bersamaan dengan 41.6 yuan sebulan) . Di samping itu, pegawai yang dipotong juga menyatakan bahawa untuk meningkatkan pengalaman pengguna, mereka yang telah melanggan VIP asal

Dalam pembuatan moden, pengesanan kecacatan yang tepat bukan sahaja kunci untuk memastikan kualiti produk, tetapi juga teras untuk meningkatkan kecekapan pengeluaran. Walau bagaimanapun, set data pengesanan kecacatan sedia ada selalunya tidak mempunyai ketepatan dan kekayaan semantik yang diperlukan untuk aplikasi praktikal, menyebabkan model tidak dapat mengenal pasti kategori atau lokasi kecacatan tertentu. Untuk menyelesaikan masalah ini, pasukan penyelidik terkemuka yang terdiri daripada Universiti Sains dan Teknologi Hong Kong Guangzhou dan Teknologi Simou telah membangunkan set data "DefectSpectrum" secara inovatif, yang menyediakan anotasi berskala besar yang kaya dengan semantik bagi kecacatan industri. Seperti yang ditunjukkan dalam Jadual 1, berbanding set data industri lain, set data "DefectSpectrum" menyediakan anotasi kecacatan yang paling banyak (5438 sampel kecacatan) dan klasifikasi kecacatan yang paling terperinci (125 kategori kecacatan

Editor |KX Sehingga hari ini, perincian dan ketepatan struktur yang ditentukan oleh kristalografi, daripada logam ringkas kepada protein membran yang besar, tidak dapat ditandingi oleh mana-mana kaedah lain. Walau bagaimanapun, cabaran terbesar, yang dipanggil masalah fasa, kekal mendapatkan maklumat fasa daripada amplitud yang ditentukan secara eksperimen. Penyelidik di Universiti Copenhagen di Denmark telah membangunkan kaedah pembelajaran mendalam yang dipanggil PhAI untuk menyelesaikan masalah fasa kristal Rangkaian saraf pembelajaran mendalam yang dilatih menggunakan berjuta-juta struktur kristal tiruan dan data pembelauan sintetik yang sepadan boleh menghasilkan peta ketumpatan elektron yang tepat. Kajian menunjukkan bahawa kaedah penyelesaian struktur ab initio berasaskan pembelajaran mendalam ini boleh menyelesaikan masalah fasa pada resolusi hanya 2 Angstrom, yang bersamaan dengan hanya 10% hingga 20% daripada data yang tersedia pada resolusi atom, manakala Pengiraan ab initio tradisional

Komuniti LLM terbuka ialah era apabila seratus bunga mekar dan bersaing Anda boleh melihat Llama-3-70B-Instruct, QWen2-72B-Instruct, Nemotron-4-340B-Instruct, Mixtral-8x22BInstruct-v0.1 dan banyak lagi. model yang cemerlang. Walau bagaimanapun, berbanding dengan model besar proprietari yang diwakili oleh GPT-4-Turbo, model terbuka masih mempunyai jurang yang ketara dalam banyak bidang. Selain model umum, beberapa model terbuka yang mengkhusus dalam bidang utama telah dibangunkan, seperti DeepSeek-Coder-V2 untuk pengaturcaraan dan matematik, dan InternVL untuk tugasan bahasa visual.

Bagi AI, Olimpik Matematik tidak lagi menjadi masalah. Pada hari Khamis, kecerdasan buatan Google DeepMind menyelesaikan satu kejayaan: menggunakan AI untuk menyelesaikan soalan sebenar IMO Olimpik Matematik Antarabangsa tahun ini, dan ia hanya selangkah lagi untuk memenangi pingat emas. Pertandingan IMO yang baru berakhir minggu lalu mempunyai enam soalan melibatkan algebra, kombinatorik, geometri dan teori nombor. Sistem AI hibrid yang dicadangkan oleh Google mendapat empat soalan dengan betul dan memperoleh 28 mata, mencapai tahap pingat perak. Awal bulan ini, profesor UCLA, Terence Tao baru sahaja mempromosikan Olimpik Matematik AI (Anugerah Kemajuan AIMO) dengan hadiah berjuta-juta dolar Tanpa diduga, tahap penyelesaian masalah AI telah meningkat ke tahap ini sebelum Julai. Lakukan soalan secara serentak pada IMO Perkara yang paling sukar untuk dilakukan dengan betul ialah IMO, yang mempunyai sejarah terpanjang, skala terbesar dan paling negatif

Pada tahun 2023, hampir setiap bidang AI berkembang pada kelajuan yang tidak pernah berlaku sebelum ini. Pada masa yang sama, AI sentiasa menolak sempadan teknologi trek utama seperti kecerdasan yang terkandung dan pemanduan autonomi. Di bawah trend berbilang modal, adakah status Transformer sebagai seni bina arus perdana model besar AI akan digoncang? Mengapakah penerokaan model besar berdasarkan seni bina MoE (Campuran Pakar) menjadi trend baharu dalam industri? Bolehkah Model Penglihatan Besar (LVM) menjadi satu kejayaan baharu dalam penglihatan umum? ...Daripada surat berita ahli PRO 2023 laman web ini yang dikeluarkan dalam tempoh enam bulan lalu, kami telah memilih 10 tafsiran khas yang menyediakan analisis mendalam tentang aliran teknologi dan perubahan industri dalam bidang di atas untuk membantu anda mencapai matlamat anda dalam bidang baharu. tahun. Tafsiran ini datang dari Week50 2023

Editor |ScienceAI Question Answering (QA) set data memainkan peranan penting dalam mempromosikan penyelidikan pemprosesan bahasa semula jadi (NLP). Set data QA berkualiti tinggi bukan sahaja boleh digunakan untuk memperhalusi model, tetapi juga menilai dengan berkesan keupayaan model bahasa besar (LLM), terutamanya keupayaan untuk memahami dan menaakul tentang pengetahuan saintifik. Walaupun pada masa ini terdapat banyak set data QA saintifik yang meliputi bidang perubatan, kimia, biologi dan bidang lain, set data ini masih mempunyai beberapa kekurangan. Pertama, borang data adalah agak mudah, kebanyakannya adalah soalan aneka pilihan. Ia mudah dinilai, tetapi mengehadkan julat pemilihan jawapan model dan tidak dapat menguji sepenuhnya keupayaan model untuk menjawab soalan saintifik. Sebaliknya, Soal Jawab terbuka

Editor |. KX Retrosynthesis ialah tugas kritikal dalam penemuan ubat dan sintesis organik, dan AI semakin digunakan untuk mempercepatkan proses. Kaedah AI sedia ada mempunyai prestasi yang tidak memuaskan dan kepelbagaian terhad. Dalam amalan, tindak balas kimia sering menyebabkan perubahan molekul tempatan, dengan pertindihan yang besar antara bahan tindak balas dan produk. Diilhamkan oleh ini, pasukan Hou Tingjun di Universiti Zhejiang mencadangkan untuk mentakrifkan semula ramalan retrosintetik satu langkah sebagai tugas penyuntingan rentetan molekul, secara berulang menapis rentetan molekul sasaran untuk menghasilkan sebatian prekursor. Dan model retrosintetik berasaskan penyuntingan EditRetro dicadangkan, yang boleh mencapai ramalan berkualiti tinggi dan pelbagai. Eksperimen yang meluas menunjukkan bahawa model itu mencapai prestasi cemerlang pada set data penanda aras standard USPTO-50 K, dengan ketepatan 1 teratas 60.8%.
