CMSSW_15_1_0_pre2版本发布:CMS软件框架的重要更新
项目简介
CMSSW(CMS软件框架)是欧洲核子研究中心(CERN)大型强子对撞机(LHC)上紧凑型μ子螺线管(CMS)实验的核心软件系统。作为高能物理实验数据分析的基础平台,CMSSW负责从原始探测器数据到最终物理分析的全流程处理。本次发布的CMSSW_15_1_0_pre2版本是该系列的一个重要预发布版本,包含了大量功能增强、错误修复和性能优化。
主要更新内容
几何描述与探测器模拟改进
本次更新对多个探测器的几何描述进行了重要修正,特别是针对HGCal(高粒度量热计)的V19版本几何描述进行了多项调整。开发团队修正了闪烁体盒的几何描述问题,移除了EE部分的重叠区域,并调整了混合层算法。这些改进确保了探测器模拟的准确性,为后续数据分析提供了可靠基础。
在MTD(精确时间探测器)方面,团队修复了ETL(端盖时间层)v10版本的拓扑参数读取问题,并更新了ETL几何描述以匹配最新工程设计图纸。这些改动解决了先前版本中存在的几何导航问题。
触发系统与数据采集优化
触发系统作为实验数据采集的第一道关卡,本次更新包含了多项重要改进。HLT(高级触发)菜单开发持续推进,团队修复了Diphoton XGBoost MVA过滤器中光子η参数交换的问题,并优化了触发路径配置。
数据采集系统(DAQ)方面,开发团队修复了多个关键问题,包括原始文件生成错误、输入源原始文件删除死锁问题,以及DAQSource中的同步问题。这些改进显著提高了数据采集系统的稳定性和可靠性。
重建算法与轨迹系统增强
重建算法方面,本次更新引入了多项优化。团队恢复了分支less 'and'操作,提高了重建效率;修正了SiStripClusterizer(FromRaw)中的问题;增加了对四个对象组合的支持;并改进了TICL(轨迹与量热计信息组合)能量回归和PID模型加载。
轨迹系统方面,开发人员为LST(大型硅轨迹器)添加了DNN(深度神经网络)来排除异常T3对象,并修复了集合重置问题。这些改进显著提高了轨迹系统的性能和准确性。
数据管理与分析工具升级
在数据管理方面,团队为CondDBESSource添加了transactionId作为可选参数,并提供了fillDescriptions方法。这些改进增强了条件数据库的灵活性和可用性。
分析工具方面,更新包括对NANO和MINIAOD格式的多项改进,如添加缺失的触发器过滤位、修正MET不确定性计算中的TauID选择、添加AK8子jet pT回归节点等。这些改进为物理分析提供了更丰富、更准确的数据。
性能优化与代码质量提升
本次更新包含了大量性能优化措施。团队移除了HCAL解包和局部重建的传统CUDA模块,优化了内存管理,并允许在RelVal工作流中使用RNTuple格式。这些改动显著提高了软件运行效率。
代码质量方面,开发团队修复了多个静态分析器警告,解决了数组边界问题和未初始化变量警告,并优化了多处代码逻辑。这些改进提高了软件的稳定性和可维护性。
技术亮点
-
新型探测器几何支持:对HGCal V19和ETL v10等新型探测器几何的全面支持,为未来实验数据采集做好准备。
-
机器学习集成:在多个子系统中集成了机器学习技术,如TICL中的PFN(粒子流网络)模型和LST中的DNN应用,展示了CMS实验在人工智能应用方面的前沿探索。
-
并行计算优化:通过移除传统CUDA模块和优化内存管理,显著提高了在高性能计算环境下的运行效率。
-
数据格式创新:支持RNTuple等新型数据格式,为处理未来更高亮度实验数据奠定基础。
总结
CMSSW_15_1_0_pre2版本作为CMS软件框架的重要更新,在探测器模拟、触发系统、数据重建和分析工具等多个方面都带来了显著改进。这些更新不仅解决了已知问题,还引入了多项创新功能,为CMS实验未来的数据采集和分析工作提供了更强大、更可靠的技术支持。开发团队持续关注代码质量和性能优化,确保软件框架能够满足高能物理研究日益增长的需求。
GLM-5智谱 AI 正式发布 GLM-5,旨在应对复杂系统工程和长时域智能体任务。Jinja00
GLM-5-w4a8GLM-5-w4a8基于混合专家架构,专为复杂系统工程与长周期智能体任务设计。支持单/多节点部署,适配Atlas 800T A3,采用w4a8量化技术,结合vLLM推理优化,高效平衡性能与精度,助力智能应用开发Jinja00- QQwen3.5-397B-A17BQwen3.5 实现了重大飞跃,整合了多模态学习、架构效率、强化学习规模以及全球可访问性等方面的突破性进展,旨在为开发者和企业赋予前所未有的能力与效率。Jinja00
Kimi-K2.5Kimi K2.5 是一款开源的原生多模态智能体模型,它在 Kimi-K2-Base 的基础上,通过对约 15 万亿混合视觉和文本 tokens 进行持续预训练构建而成。该模型将视觉与语言理解、高级智能体能力、即时模式与思考模式,以及对话式与智能体范式无缝融合。Python00
MiniMax-M2.5MiniMax-M2.5开源模型,经数十万复杂环境强化训练,在代码生成、工具调用、办公自动化等经济价值任务中表现卓越。SWE-Bench Verified得分80.2%,Multi-SWE-Bench达51.3%,BrowseComp获76.3%。推理速度比M2.1快37%,与Claude Opus 4.6相当,每小时仅需0.3-1美元,成本仅为同类模型1/10-1/20,为智能应用开发提供高效经济选择。【此简介由AI生成】Python00
Qwen3.5Qwen3.5 昇腾 vLLM 部署教程。Qwen3.5 是 Qwen 系列最新的旗舰多模态模型,采用 MoE(混合专家)架构,在保持强大模型能力的同时显著降低了推理成本。00- RRing-2.5-1TRing-2.5-1T:全球首个基于混合线性注意力架构的开源万亿参数思考模型。Python00