第二十届全国科学计算与信息化会议

Session

人工智能与应用

28 Jun 2024, 14:00

三楼305会议室

Conveners

人工智能与应用

• 胜森 孙 (Institute of High Energy Physics)

Contribution list Timetable

117. Disruption prediction on EAST with different wall conditions based on a multi-scale deep hybrid neural network

笔豪 郭 (中国科学院合肥物质科学研究院)

28/06/2024, 14:00

分会报告

Plasma disruption is a very dangerous event for future tokamaks and fusion reactors. Therefore, predicting disruption is crucial for ensuring the safety and performance of reactors. In this study, the features of two deep learning algorithms are integrated to establish a multi-scale hybrid network disruption predictor. Firstly, 43 diagnostic signals are extracted by a convolutional neural...

59. CEPC上基于DeepSets模型的喷注标记算法研究

Libo Liao (wuzhou univercity)

28/06/2024, 14:15

分会报告

背景介绍 2012年在大型强子对撞机（LHC）上发现希格斯（Higgs）玻色子是粒子物理学界的大事件，该发现不仅补全了标准模型缺失的最后一角，而且开启了粒子物理探索的新篇章。由于WZH三种玻色子（尤其是希格斯玻色子）与新物理现象及新物理规律的联系十分密切，因此精确测量他们的性质，是探索新物理现象和新物理规律的关键手段。强子喷注是WZH三种玻色子最主要的衰变末态，因此喷注的重建（Clustering）和标记（Tagging）算法对实现WZH三种玻色子的精确测量至关重要。本文主要介绍喷注的标记算法。传统喷注标记算法有两种，第一种是基于选择条件和人工变量，第二种是基于传统机器学习算法，比如决策树（Boost Decision Tree，...

99. 基于机器学习的同步辐射X射线小角散射数据预处理和挖掘

晨皓 赵 (中国科学技术大学)

28/06/2024, 14:30

分会报告

同步辐射X射线散射技术是研究高分子薄膜材料多尺度结构演变的有力工具。其中，时间分辨原位小角X射线散射实验将产生大量SAXS数据。通过分析SAXS散射花样，研究人员可以获得大量硬弹性iPP薄膜在拉伸过程中的结构演变信息。然而，传统手动数据处理方式的带宽有限，无法适应现代高帧率检测器不断增加的数据密度和数量，这可能会导致大数据中包含的关键信息丢失。因此，迫切需要一种能够对大规模SAXS数据集进行预处理并快速探索参数空间的新方法。在这项工作中，我们应用几种机器学习方法来处理硬弹性iPP膜的原位SAXS数据集。结果表明，VAE和cVAE模型能够提取SAXS花样中隐含的结构信息，并将其映射到低维空间中。SAXS散射花样在二维和一维潜空间中的表示揭示了iPP膜的关键特征，如微观结构相似性、结构变化率和结构演化路径，从而可以为研究人员进一步指出数据分析的方向。为了建立加工-结构关系图谱，我们发展了...

143. 基于FPGA的粒子物理图神经网络加速器的设计与实现

玉涛 张

28/06/2024, 14:45

分会报告

Jet tagging是粒子物理实验中的一项关键分类任务。近年来，深度学习方法的引入使得Jet tagging分类任务的准确率大幅提高，其中以ParticleNet为代表的图神经网络在该任务中表现出色。若将该模型部署在大型对撞机上，需要设计低功耗、低延迟的实时处理系统，使用传统硬件难以满足应用需求。目前FPGA由于其低功耗、低延迟、硬件可编程等特性成为AI部署加速的前沿研究热点，相对于CPU，FPGA可以实现更好的并行操作，相对于GPU平台，使用FPGA可以提高计算效率并降低功耗。因此，将ParticleNet在FPGA上实现和加速，可以实现快速、低功耗的执行粒子物理学中的分类任务，从而减少经济成本并加快粒子物理中数据处理进程。本设计将基于HLS实现可重构架构，并将计算密集型任务卸载到FPGA上运算，以减少ParticleNet的算法延迟。

144. 基于多特征融合和增量学习的未知流量识别技术

君怡 刘 (IHEP)

28/06/2024, 15:00

分会报告

为了进行网络管理、安全监控并确保网络服务的质量，对互联网流量进行准确分类和识别至关重要。然而在现实世界中，许多不同种类的网络应用被定期开发和更新，产生大量在训练集流量类别之外的未知流量，这些未知的流量类型会对当前机器学习模型的准确性造成重大影响，降低流量分类的准确率。现有的未知流量分类算法无法优化流量特征，每次收集到新的流量数据时都需要对整个系统进行重新训练，导致识别效率低下，不适合实时流量检测。为解决上述问题，我们提出了一种基于多特征融合的增量学习方案来检测未知流量。该方法采用了多通道并行架构来提取流量的时间和空间特征。然后引入了mRMR算法对从每个通道提取的特征进行排序和融合，以克服加密流量特征冗余的问题。此外，我们结合基于密度比的聚类算法来识别未知的流量特征，并通过增量学习更新模型。分类器通过学习新获得的类知识，实现对已知和未知流量的实时分类。
我们使用公共数据集ISCX-V...