.AI Breakthrough in Detecting New Particles at the Large Hadron Collider
http://blog.naver.com/mssoms
http://jl0620.blogspot.com
https://www.facebook.com/junggoo.lee.9
https://www.youtube.com/@SciTechDaily
.AI Breakthrough in Detecting New Particles at the Large Hadron Collider
대형 강입자 충돌기에서 새로운 입자를 감지하는 AI 혁신
주제:인공지능세른(CERN)대형 강입자 충돌기머신러닝입자물리학 CERN 2024년 7월 4 일 AI, 물리학자들이 새로운 입자를 찾는 데 도움 ATLAS와 CMS 협업은 최첨단 머신 러닝 기술을 사용하여 새로운 물리학을 나타낼 수 있는 이국적인 충돌을 검색합니다. 출처: S Sioni/CMS-PHO-EVENTS-2021-004-2/M Rayner
인공지능은 LHC 실험에서 새로운 입자를 감지하는 방식에 혁명을 일으키고 있습니다. AI가 일반적인 제트와 비정형 제트를 인식하고 구별하도록 훈련함으로써 연구자들은 입자 충돌 내에 숨겨진 잠재적인 새로운 물리학을 식별할 수 있습니다.
최근의 발전 사항은 물리학 컨퍼런스에서 강조되었으며, 이러한 AI 응용 프로그램의 진행 상황과 잠재력을 보여주었습니다. 대형 강입자 충돌기(LHC) 실험의 주요 목표 중 하나는 물리학의 많은 미해결 미스터리를 설명할 수 있는 새로운 입자의 징후를 찾는 것입니다. 종종 새로운 물리학에 대한 검색은 이론적 예측을 가이드로 사용하여 한 번에 한 가지 특정 유형의 새로운 입자를 찾도록 설계되었습니다.
하지만 예측하지 못한 – 예상치 못한 – 새로운 입자를 검색하는 것은 어떨까요? LHC 실험에서 발생하는 수십억 건의 충돌을 정확히 무엇을 찾아야 할지 모른 채 걸러내는 것은 물리학자에게는 엄청난 작업일 것입니다. 따라서 데이터를 훑어보고 이상 징후를 찾는 대신, ATLAS와 CMS 협업은 인공 지능 (AI)이 프로세스를 간소화하도록 합니다. 입자 감지 분야의 AI 발전 3월 26일 Rencontres de Moriond 컨퍼런스 에서 CMS 협업의 물리학자들은 다양한 머신 러닝 기술을 사용하여 "제트" 쌍을 검색하여 얻은 최신 결과를 발표했습니다 .
이 제트는 강하게 상호 작용하는 쿼크와 글루온에서 유래한 입자의 콜리메이트 스프레이입니다. 분석하기 특히 어렵지만 새로운 물리학을 숨길 수 있습니다. AI가 매우 비정상적인 CMS 이벤트 표시를 감지했습니다.
AI 알고리즘이 매우 비정상적이라고 판단하고 따라서 잠재적으로 새로운 입자에서 발생한 CMS 이벤트 중 하나의 이벤트 표시. 출처: CMS 협업 물리학을 위한 AI 훈련 기술 ATLAS와 CMS의 연구자들은 제트에 대한 검색에서 AI 알고리즘을 훈련하기 위해 여러 가지 전략을 사용합니다.
과학자들은 복잡한 에너지 시그니처의 모양을 연구함으로써 제트를 만든 입자를 결정할 수 있습니다. 두 실험의 물리학자들은 실제 충돌 데이터를 사용하여 알려진 입자에서 유래한 제트의 특성을 인식하도록 AI를 훈련하고 있습니다. 그런 다음 AI는 이러한 제트와 비정형 제트 시그니처를 구별할 수 있으며, 이는 잠재적으로 새로운 상호 작용을 나타냅니다. 이는 데이터 세트에서 비정형 제트의 축적으로 표시됩니다. 또 다른 방법은 AI 알고리즘에 전체 충돌 이벤트를 고려하고 감지된 다양한 입자에서 비정상적인 특징을 찾도록 지시하는 것입니다. 이러한 비정상적인 특징은 새로운 입자의 존재를 나타낼 수 있습니다.
이 기술은 2023년 7월 ATLAS에서 발표한 논문에서 시연되었으며 , LHC 결과에서 비지도 머신 러닝을 처음으로 사용한 사례 중 하나입니다. CMS에서 다른 접근 방식은 물리학자가 잠재적인 새로운 신호의 시뮬레이션 사례를 만든 다음 AI에 일반 제트와는 다르지만 시뮬레이션과 유사한 실제 데이터에서 충돌을 식별하도록 작업을 지정하는 것입니다. 입자 물리학에 대한 머신 러닝의 영향 CMS가 제시한 최신 결과에서 각 AI 훈련 방법은 다양한 유형의 새로운 입자에 대한 민감도가 달랐으며, 단일 알고리즘이 최고인 것으로 입증되지 않았습니다.
CMS 팀은 비정상적인 제트를 생성하는 여러 유형의 입자의 생성 속도를 제한할 수 있었습니다. 또한 AI 주도 알고리즘이 기존 기술에 비해 광범위한 입자 시그니처에 대한 민감도를 크게 향상시켰음을 보여줄 수 있었습니다. 이러한 결과는 머신 러닝이 새로운 물리학에 대한 검색을 어떻게 혁신하고 있는지 보여줍니다. CMS 분석 팀의 오즈 암람은 "우리는 이미 알고리즘을 더욱 개선하고 이를 데이터의 다른 부분에 적용하여 여러 종류의 입자를 검색하는 방법에 대한 아이디어를 가지고 있습니다."라고 말합니다.
https://scitechdaily.com/ai-breakthrough-in-detecting-new-particles-at-the-large-hadron-collider/
mssoms 메모 2407051131
LHC 실험의 주요 목표 중 하나는 물리학의 많은 미해결 미스터리를 설명할 수 있는 새로운 입자의 징후를 찾는 것입니다.
종종 새로운 물리학에 대한 검색은 이론적 예측을 가이드로 사용하여 한 번에 한 가지 특정 유형의 새로운 입자를 찾도록 설계되었다. 하지만 예측하지 못한 – 예상치 못한 – 새로운 입자는 어떻게 감지할까? 인공지능이 빅데이타의 패턴을 찾아낼 수도 있다.
소스1.
대형 강입자 충돌기(LHC) 실험의 주요 목표 중 하나는 물리학의 많은 미해결 미스터리를 설명할 수 있는 새로운 입자의 징후를 찾는 것입니다. 종종 새로운 물리학에 대한 검색은 이론적 예측을 가이드로 사용하여 한 번에 한 가지 특정 유형의 새로운 입자를 찾도록 설계되었습니다. 하지만 예측하지 못한 – 예상치 못한 – 새로운 입자를 검색하는 것은 어떨까요?
LHC 실험에서 발생하는 수십억 건의 충돌을 정확히 무엇을 찾아야 할지 모른 채 걸러내는 것은 물리학자에게는 엄청난 작업일 것입니다. 따라서 데이터를 훑어보고 이상 징후를 찾는 대신, ATLAS와 CMS 협업은 인공 지능 (AI)이 프로세스를 간소화하도록 한다.
AI 알고리즘에 전체 충돌 이벤트를 고려하고 감지된 다양한 입자에서 비정상적인 특징을 찾도록 지시하는 것입니다. 이러한 비정상적인 특징은 새로운 입자의 존재를 나타낼 수 있다.
ㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡ
인공지능은 결국 빅데이타의 범위를 벗어나지 못하고 모든 경우수의 패턴을 찾아내는 방식인데, 전기소모가 막대한 채굴 방식이다. 뭔단서 하나를 찾자고 1조달러 들일 수 없잖여. 10달러로 해결할 방법이 있는데..허허.
하지만 나의 msoms 단위 분류기법을 사용하면 더 정교하게 인공지능에 전적으로 의지 않고도 고차원의 희귀한 qms.more.qms, tsp.zps_set의 새로운 입자를 추적할 수 있으리라. msbase나 qpeoms로 무더기 1차 분류를 시도 하면 어떨까? 허허.
mssoms memo 2407051131
One of the main goals of LHC experiments is to look for signs of new particles that could explain many of the unsolved mysteries of physics.
Often the search for new physics is designed to find new particles one specific type at a time, using theoretical predictions as a guide. But how do we detect unexpected – unexpected – new particles? Artificial intelligence can also find patterns in big data.
Source 1.
One of the main goals of the Large Hadron Collider (LHC) experiments is to look for signs of new particles that could explain many of the unsolved mysteries of physics. Often the search for new physics is designed to find one specific type of new particle at a time, using theoretical predictions as a guide. But what about searching for unexpected – unexpected – new particles?
Sifting through the billions of collisions that occur in an LHC experiment without knowing exactly what to look for would be a Herculean task for physicists. So rather than skimming through data looking for anomalies, the ATLAS and CMS collaboration lets artificial intelligence (AI) streamline the process.
The idea is to instruct the AI algorithm to consider the entire collision event and look for unusual features in the various particles detected. These unusual features may indicate the presence of new particles.
ㅡㅡㅡㅡㅡㅡㅡㅡㅡㅡ
Artificial intelligence is a mining method that ultimately cannot escape the scope of big data and finds patterns in all cases, but it is a mining method that consumes a lot of electricity. You can't spend a trillion dollars just to find one clue. There is a way to solve it for 10 dollars...hehe.
However, using my msoms unit classification technique, I will be able to track new particles in high-dimensional and rare qms.more.qms and tsp.zps_set without having to rely entirely on more sophisticated artificial intelligence. How about trying primary classification of the pile with msbase or qpeoms? haha.
Example 1.
vix.a'6//vixx.a(b1,g3,k3,o5,n6)
b0acfd|0000e0
000ac0|f00bde
0c0fab|000e0d
e00d0c|0b0fa0
f000e0|b0dac0
d0f000|cae0b0
0b000f|0ead0c
0deb00|ac000f
ced0ba|00f000
a0b00e|0dc0f0
0ace00|df000b
0f00d0|e0bc0a
sample qoms (standard)
0000000011=2,0
0000001100
0000001100
0000010010
0001100000
0101000000
0010010000
0100100000
2000000000
0010000001
sample pms (standard)
q0000000000
00q00000000
0000q000000
000000q0000
00000000q00
0000000000q
0q000000000
000q0000000
00000q00000
0000000q000
000000000q0
Sample msoss
zxdxybzyz
zxdzxezxz
xxbyyxzz
zybzzfxzy
cadccbcdc
cdbdcbdbb
xzezxdyyx
zxezybzyy
bddbcbdca
댓글