CMS 开发新的人工智能算法来检测大型强子对撞机的异常情况
作者：by CERN
为了揭示自然的基本粒子和力量，大型强子对撞机 (LHC) 高能实验面临的关键挑战之一是确保所收集的大量数据的质量。为此，为实验的各个子探测器配备了数据质量监控系统，它们在检查数据的准确性方面发挥着重要作用。
CMS 电磁量热仪 (ECAL) 就是此类子探测器之一，它是 CMS 探测器的重要组成部分。ECAL 测量大型强子对撞机碰撞中产生的粒子（主要是电子和光子）的能量，使物理学家能够重建粒子衰变。确保 ECAL 中记录的数据的准确性和可靠性对于实验的成功运行至关重要。
在目前正在进行的大型强子对撞机第三次运行中，CMS 研究人员开发并部署了一种创新的机器学习技术，以增强 ECAL 当前的数据质量监控系统。详细的在最近的一篇发布在日记中大科学计算和软件，这种新方法有望使数据异常的检测更加准确和高效。
这种实时功能对于快节奏的大型强子对撞机环境中的快速检测和纠正探测器问题至关重要，从而提高数据的整体质量。新系统于 2022 年部署在 ECAL 的筒体中，并于 2023 年部署在端盖中。
传统的 CMS 数据质量监控系统由传统软件组成，依靠预定义规则、阈值和手动检查的组合来提醒团队控制室潜在的探测器问题。这种方法涉及为正常数据行为的构成和标记偏差设置具体标准。这些方法虽然有效，但可能会错过不符合预定义模式的微妙或意外异常。
相比之下，基于机器学习的新系统能够检测这些异常，补充了传统的数据质量监控系统。它经过训练可以从现有的良好数据中识别正常的检测器行为并检测任何偏差。这种方法的基石是基于自动编码器的异常检测系统。自动编码器是一种特殊类型的神经网络，专为无监督学习任务而设计。
该系统以 2D 图像形式输入 ECAL 数据，并且凭借新颖的校正策略，还擅长发现随时间变化的异常情况。这个方面对于识别可能不会立即显现但逐渐发展的模式至关重要。
这种新颖的基于自动编码器的系统不仅提高了 CMS 检测器的性能，而且还可以作为跨各个领域的实时异常检测的模型，凸显了人工智能的变革潜力。
例如，管理大规模高速数据流的行业，例如金融、网络安全和医疗保健行业，可以受益于类似的基于机器学习的异常检测系统，从而提高其运营效率和可靠性。
更多信息：CMS 协作，基于自动编码器的异常检测系统，用于 CMS 电磁热量计的在线数据质量监控，大科学计算和软件（2024）。DOI：10.1007/s41781-024-00118-z
引文:CMS 开发新的人工智能算法来检测大型强子对撞机的异常情况（2024 年，11 月 13 日）检索日期：2024 年 11 月 15 日来自 https://phys.org/news/2024-11-cms-ai-algorithm-anomalies-large.html
本文档受版权保护。除了出于私人学习或研究目的的任何公平交易外，不得未经书面许可，不得复制部分内容。所提供的内容仅供参考。
关于《CMS 开发新的人工智能算法来检测大型强子对撞机的异常情况》的评论
暂无评论