2374 ورقة بحثية
تلخص هذه الورقة البيضاء التحديات العلمية وفرص الذكاء الاصطنا-ل وتعلم الآلة التي تم تحديدها من خلال مؤتمر FAIRS Japan 2024 غير المنظم، مع تسليط الضوء على السمات التقنية المشتركة مثل إعادة البناء عالي الأبعاد، والمحاكاة السريعة، وكشف الشذوذ عبر فيزياء المسرعات، وعلم الكونيات، وفيزياء النيوترينو.
تُثبت هذه الورقة أن دمج معلومات التوقيت الدقيق من طبقة كاشف مستقبلية لمصادم الهادرونات الكبير عالي اللمعان (HL-LHC) في عمليات البحث عن اضمحلال بوزون هيجز عبر اندماج اندماج حالات فيكتور (VBF)، يعزز بشكل كبير من الحساسية تجاه الجسيمات طويلة العمر من خلال تحويل الرؤوس المزاحة إلى أجسام رباعية الأبعاد، مما يؤدي إلى كبح خلفيات النكهة الثقيلة الفورية وتوسيع نطاق الوصول إلى النطاقات التي تفقد فيها عمليات البحث التقليدية المعتمدة على الأبعاد المكانية فقط قدرتها على الاستقبال.
باستخدام بيانات تجربة LHCb من تصادمات البروتون-بروتون عند طاقة 13 تريليون إلكترون فولت، يعلن هذا البحث عن أول رصد للتحلل المثبط لكابيبو ، حيث يقيس كسر التفرع بقيمة ويحدد معامل عدم التماثل في التحلل بـ .
تقارن هذه الدراسة بشكل منهجي بين بنيات تعلم الآلة الكلاسيكية والكمية لمهام الانحدار على بيانات تصادمات فيزياء الجسيمات عالية الطاقة المحاكات، لتجد أنه بينما تقدم النماذج الكلاسيكية مثل الشبكات العصبية الالتفافية (CNNs) والشبكات العصبية ذات الذاكرة الطويلة قصيرة المدى (LSTMs) أداءً أفضل قليلاً في الوقت الحالي، فإن النظائر الكمية تحقق دقة تنافسية بعدد أقل بكثير من المعلمات القابلة للتدريب، مما يسلط الضوء على ميزة تميز في كفاءة المعلمات للأجهزة الكمية القريبة من المدى.
تحدد هذه الافتتاحية مبادرة بحثية تهدف إلى تعزيز الحوسبة الخضراء في مجالات فيزياء الطاقات العالية والفيزياء الفلكية من خلال تقييم استهلاك الطاقة الحالي، وتحديد فرص التحسين، وتعزيز التعاون بين التخصصات لتعزيز الاستدامة.
تقيم هذه الورقة وتقارن بين الطرق الكلاسيكية والطرق القائمة على الشبكات العصبية الرسومية لإعادة بناء رؤوس الفناء في تجربة HIBEAM، وتجد أنه بينما يحقق كلا النهجين دقة مماثلة لإحداثيات الرأس، فإن التعلم الآلي يقدم مزايا فريدة في استخراج معلومات شكل الحدث للتحليل اللاحق.
باستخدام 138 fb من بيانات تصادمات بروتون-بروتون عند طاقة مركز الكتلة = 13 TeV التي جُمعت بواسطة كاشف CMS، تقدم هذه الدراسة أول بحث عن الليبتوكواركات السلمية (scalar leptoquarks) بمقياس تيرالتروني (TeV-scale) والناتجة عن تشتت الميوون-كوارك، حيث لم تجد أي دليل على وجودها ووضعت حدود استبعاد جديدة تمد التغطية السابقة لتشمل كتلًا تتراوح بين 1.5 و3.6 تيرالترون لـ LQ(u) وفوق 1.8 تيرالترون لـ LQ(b).
تقدم هذه الأطروحة أول قياس كامل لـ "فضاء الطور" عالي الأبعاد للمقطع العرضي التفاضلي لعملية Z+jets في مصادم الهادرونات الكبير باستخدام تجربة ATLAS، مما يوضح كيف يمكن لتقنيات فك الالتفاف القائمة على الذكاء الاصطناعي استغلال مجموعات البيانات المعقدة بشكل كامل لتوصيف التفاعلات الجسيمية الأساسية.
تقدم هذه الورقة البحثية إعادة تجميع اللوغاريتم التالي-التالي-التالي-للرتبة الرائدة (NLL) مدمجة مع تصحيحات الرتبة الثابتة من الدرجة للتنبؤ بتوزيعات الزوايا السمتية لليبتون-النفاثة في التشتت العميق غير المرن، مما يوفر إطاراً دقيقاً لسبر البنية ثلاثية الأبعاد للنيوكليون وتحليل البيانات من مستعجل هادرون-إلكترون (HERA) وتجارب مصادم الإلكترون-الأيون المستقبلية.
تقارن هذه الدراسة بين أربعة نماذج تعلم آلي كلاسيكية وأربعة نماذج هجينة كمومية في مهمة تشغيل لبيانات مفتوحة من تجربة CMS خاضعة لقيود تحليل المكونات الرئيسية (PCA) على ثمانية كيوبتات، ووجدت أنه بينما يتفوق الشبكة العصبية الاصطناعية الكلاسيكية على جميع النظراء الكموميين في الدقة والمساحة تحت منحنى خصائص تشغيل المستقبِل (ROC-AUC)، فإن التضمينات الكمومية الهجبية القابلة للتدريب (وتحديداً الشبكة العصبية التلافيفية الكمومية) تحقق نتائج تنافسية، مما يجعلها بمثابة نقطة مرجعية مضبوطة بدلاً من كونها دليلاً على التفوق الكمومي.