LegközelebbKövetkező útmutató
AI rendezvényszervezőknek
Alkalmazások
Alkalmazási ÚTMUTATÓ
Particle-event reconstruction turns detector measurements into tracks, energy deposits, and candidate physics objects.
Hallgassa meg ezt az útmutatótAI-narrált · ~2 min
Machine-learning methods can help with these tasks, while trigger systems select a manageable subset of collision data under strict latency and throughput constraints.
As charged particles pass through tracking detectors and showers develop in calorimeters, the detector records sparse, high-dimensional measurements. Reconstruction algorithms infer trajectories, energy deposits, and particle-related objects from those signals. Graph neural networks are suited to irregular detector geometry and can help associate hits with tracks; research also applies them to calorimeter shower reconstruction. Separately, trigger systems filter collision data: CERN describes a first-level decision followed by a high-level trigger for further selection. Exact rates and latency depend on the experiment and operating phase.
Gráf neurális hálózatok, amelyek az LHC és a HL-LHC frissítés detektortalálatai alapján rekonstruálják a töltött részecskék pályáit
Mélytanulási b-címkézés és megerősített jet címkézők, amelyek azonosítják a részecskepermetet előállító kvarkot vagy bozont
Az FPGA által telepített neurális hálózatok a hardveres triggerekben mikromásodperceken belül eldöntik, hogy mely ütközéseket kell megtartani
A neutrínó események osztályozása olyan detektorokban, mint a DUNE és az IceCube, az interakciótípusok azonosítása ritka jelekből
Ahogy megérkezik a nagy fényerejű LHC, az ütközések sokkal sűrűbben halmozódnak fel, ami megnehezíti a rekonstrukciót és a mesterséges intelligencia szükségességét. Több GNN-alapú nyomkövetést alkalmaznak GPU-kon és FPGA-kon a valós idejű aktiváláshoz, valamint végpontok közötti differenciálható folyamatokat és szimulált eseményekre előképzett alapmodelleket. Az anomália-észlelési módszerek, amelyek új fizikára vadásznak anélkül, hogy feltételeznének egy adott jelet, egyre növekvő, izgalmas irány.
Ingyenes hírlevél
Minden hétköznap reggel három ellenőrzött AI történet, egyszerű angol nyelven. Örökké ingyen, hirdetések nélkül.
Minden hétköznap egy e-mail. Egy kattintással lemondhat. Soha nem értékesítjük vagy osztjuk meg az Ön címét.
Teszteld magad
Azonnali visszajelzés minden válaszra, és megosztható tanúsítvány egy ellenőrizhető azonosítóval, miután sikeresen teljesít egy kurzust.
Támogassa az ingyenes AI oktatást. AI Understanding egy 501(c)(3) nonprofit – nincs hirdetés, nincs fizetőfal, soha. Tegyen adományt
Particle-event reconstruction turns detector measurements into tracks, energy deposits, and candidate physics objects. Machine-learning methods can help with these tasks, while trigger systems select a manageable subset of collision data under strict latency and throughput constraints.
A rekonstrukció több millió nyers szenzortalálatot alakít át értelmezhető objektumokká, például részecskenyomokká, kaloriméter-energiákká és sugárazonosságokká.
A nyomkeresés kombinatorikus gráfprobléma; A GNN-ek osztályozzák az ütközéstől az ütközésig terjedő éleket, és pályákba csoportosítják őket.
The collision data stream is too large to record in full, so trigger stages select events for further processing.
A fenékkvark hadronok elég hosszú ideig élnek ahhoz, hogy mérhető távolságot megtehessenek, így egy eltolt csúcsot hoznak létre, amely kizsákmányolást jelez.
Graph structures encode detector geometry and allow models to learn patterns linking sparse measurements.
Tanulj tovább
További útmutatók készültek ehhez a témához
LegközelebbKövetkező útmutató
AI rendezvényszervezőknek
Alkalmazások