会员服务
Ray · totem协议 · INTERACT · MoDELS · CMS ·
2016 年 11 月 13 日
LHC data and cosmic ray coplanarity at superhigh energies
翻译：超高能LHC数据和宇宙射线共振
Rauf Mukhamedshin
Rauf Mukhamedshin
from arxiv, 8 pages, 21 PostScript figures, will be published in EPJ WoC (Proc. ISVHECRI 2016)

A new phenomenological model FANSY 2.0 is designed, which makes it possible to simulate hadron interactions via traditional QGSM-type particle generation as well as coplanar generation of most energetic particles, observed in cosmic ray experiments. FANSY 2.0 reproduces a lot of LHC (ALICE, ATLAS, CMS, TOTEM, LHCf) data. Results of model simulations are compared with LHC data. Problems of coplanarity are considered and a testing experiment is proposed.


翻译：设计了一个新的苯球学模型FANSY 2.0,通过在宇宙射线实验中观测到的传统QGSM型粒子生成和高能粒子共平板生成,可以模拟子龙相互作用。FANSY 2.0复制了大量LHC数据(ALICE、ATLAS、CMS、TOTEM、LHCf),模型模拟的结果与LHC数据进行比较。考虑的是共同计划的问题,并提议进行试验试验。
0
下载
关闭预览

相关内容

【干货书】真实机器学习，264页pdf，Real-World Machine Learning
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
专知会员服务
114+阅读 · 2020年4月5日
【跨语言BERT模型大集合】Transfer learning is increasingly going multilingual with language-specific BERT models
专知会员服务
53+阅读 · 2020年1月30日
【康奈尔大学】度量数据粒度，Measuring Dataset Granularity
【康奈尔大学】度量数据粒度，Measuring Dataset Granularity
专知会员服务
12+阅读 · 2019年12月27日
【Google可解释人工智能白皮书】27页pdf，AI Explainability Whitepaper ，Introduction to AI Explanations for AI Platform
【Google可解释人工智能白皮书】27页pdf，AI Explainability Whitepaper ，Introduction to AI Explanations for AI Platform
专知会员服务
123+阅读 · 2019年12月13日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
47+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
56+阅读 · 2019年10月17日
开源书：PyTorch深度学习起步
开源书：PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
最新BERT相关论文清单，BERT-related Papers
最新BERT相关论文清单，BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
【Github】All4NLP：自然语言处理相关资源整理
【Github】All4NLP：自然语言处理相关资源整理
AINLP
23+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Ray RLlib: Scalable 降龙十八掌
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Facebook PyText 在 Github 上开源了
Facebook PyText 在 Github 上开源了
AINLP
7+阅读 · 2018年12月14日
【代码资源】GAN | 七份最热GAN文章及代码分享（Github 1000+Stars）
【代码资源】GAN | 七份最热GAN文章及代码分享（Github 1000+Stars）
专知
12+阅读 · 2018年6月24日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach
Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach
Arxiv
14+阅读 · 2019年12月27日
The Measure of Intelligence
The Measure of Intelligence
Arxiv
6+阅读 · 2019年11月5日
Exploiting Synthetically Generated Data with Semi-Supervised Learning for Small and Imbalanced Datasets
Arxiv
3+阅读 · 2019年3月24日
Data Augmentation of Room Classifiers using Generative Adversarial Networks
Data Augmentation of Room Classifiers using Generative Adversarial Networks
Arxiv
4+阅读 · 2019年1月10日
Supervised classification of Dermatological diseases by Deep learning
Supervised classification of Dermatological diseases by Deep learning
Arxiv
4+阅读 · 2018年7月31日
Addressing the Item Cold-start Problem by Attribute-driven Active Learning
Arxiv
8+阅读 · 2018年5月23日
Stylistic Variation in Social Media Part-of-Speech Tagging
Arxiv
4+阅读 · 2018年4月19日
Can Neural Machine Translation be Improved with User Feedback?
Arxiv
3+阅读 · 2018年4月16日
Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Ranking
Arxiv
5+阅读 · 2018年2月27日
Progressive Growing of GANs for Improved Quality, Stability, and Variation
Arxiv
3+阅读 · 2017年11月3日
VIP会员
文章信息
前往arXiv
下载PDF
相关主题
Ray
totem协议
INTERACT
MoDELS
CMS
相关VIP内容
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
【干货书】真实机器学习，264页pdf，Real-World Machine Learning
专知会员服务
114+阅读 · 2020年4月5日
【跨语言BERT模型大集合】Transfer learning is increasingly going multilingual with language-specific BERT models
专知会员服务
53+阅读 · 2020年1月30日
【康奈尔大学】度量数据粒度，Measuring Dataset Granularity
【康奈尔大学】度量数据粒度，Measuring Dataset Granularity
专知会员服务
12+阅读 · 2019年12月27日
【Google可解释人工智能白皮书】27页pdf，AI Explainability Whitepaper ，Introduction to AI Explanations for AI Platform
【Google可解释人工智能白皮书】27页pdf，AI Explainability Whitepaper ，Introduction to AI Explanations for AI Platform
专知会员服务
123+阅读 · 2019年12月13日
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
Auto-Sizing the Transformer Network: Improving Speed, Efficiency, and Performance for Low-Resource Machine Translation
专知会员服务
47+阅读 · 2019年10月17日
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
Deep Learning Based Detection and Correction of Cardiac MR Motion Artefacts During Reconstruction for High-Quality Segmentation
专知会员服务
56+阅读 · 2019年10月17日
开源书：PyTorch深度学习起步
开源书：PyTorch深度学习起步
专知会员服务
50+阅读 · 2019年10月11日
机器学习入门的经验与建议
机器学习入门的经验与建议
专知会员服务
92+阅读 · 2019年10月10日
TensorFlow 2.0 学习资源汇总
TensorFlow 2.0 学习资源汇总
专知会员服务
66+阅读 · 2019年10月9日
最新BERT相关论文清单，BERT-related Papers
最新BERT相关论文清单，BERT-related Papers
专知会员服务
52+阅读 · 2019年9月29日
热门VIP内容
相关资讯
【Github】All4NLP：自然语言处理相关资源整理
【Github】All4NLP：自然语言处理相关资源整理
AINLP
23+阅读 · 2019年8月9日
Transferring Knowledge across Learning Processes
Transferring Knowledge across Learning Processes
CreateAMind
27+阅读 · 2019年5月18日
强化学习的Unsupervised Meta-Learning
强化学习的Unsupervised Meta-Learning
CreateAMind
17+阅读 · 2019年1月7日
Ray RLlib: Scalable 降龙十八掌
Ray RLlib: Scalable 降龙十八掌
CreateAMind
9+阅读 · 2018年12月28日
Facebook PyText 在 Github 上开源了
Facebook PyText 在 Github 上开源了
AINLP
7+阅读 · 2018年12月14日
【代码资源】GAN | 七份最热GAN文章及代码分享（Github 1000+Stars）
【代码资源】GAN | 七份最热GAN文章及代码分享（Github 1000+Stars）
专知
12+阅读 · 2018年6月24日
【论文】变分推断（Variational inference)的总结
【论文】变分推断（Variational inference)的总结
机器学习研究会
39+阅读 · 2017年11月16日
gan生成图像at 1024² 的 代码 论文
gan生成图像at 1024² 的 代码 论文
CreateAMind
4+阅读 · 2017年10月31日
Auto-Encoding GAN
Auto-Encoding GAN
CreateAMind
7+阅读 · 2017年8月4日
强化学习 cartpole_a3c
强化学习 cartpole_a3c
CreateAMind
9+阅读 · 2017年7月21日
相关论文
Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach
Robust breast cancer detection in mammography and digital breast tomosynthesis using annotation-efficient deep learning approach
Arxiv
14+阅读 · 2019年12月27日
The Measure of Intelligence
The Measure of Intelligence
Arxiv
6+阅读 · 2019年11月5日
Exploiting Synthetically Generated Data with Semi-Supervised Learning for Small and Imbalanced Datasets
Arxiv
3+阅读 · 2019年3月24日
Data Augmentation of Room Classifiers using Generative Adversarial Networks
Data Augmentation of Room Classifiers using Generative Adversarial Networks
Arxiv
4+阅读 · 2019年1月10日
Supervised classification of Dermatological diseases by Deep learning
Supervised classification of Dermatological diseases by Deep learning
Arxiv
4+阅读 · 2018年7月31日
Addressing the Item Cold-start Problem by Attribute-driven Active Learning
Arxiv
8+阅读 · 2018年5月23日
Stylistic Variation in Social Media Part-of-Speech Tagging
Arxiv
4+阅读 · 2018年4月19日
Can Neural Machine Translation be Improved with User Feedback?
Arxiv
3+阅读 · 2018年4月16日
Deep Gaussian Embedding of Graphs: Unsupervised Inductive Learning via Ranking
Arxiv
5+阅读 · 2018年2月27日
Progressive Growing of GANs for Improved Quality, Stability, and Variation
Arxiv
3+阅读 · 2017年11月3日
Top
微信扫码咨询专知VIP会员
Top