論文の概要: Machine Learning in the Search for New Fundamental Physics
- arxiv url: http://arxiv.org/abs/2112.03769v1
- Date: Tue, 7 Dec 2021 15:26:42 GMT
- ステータス: 処理完了
- システム内更新日: 2021-12-08 17:38:32.783205
- Title: Machine Learning in the Search for New Fundamental Physics
- Title(参考訳): 新しい基礎物理学の探求における機械学習
- Authors: Georgia Karagiorgi, Gregor Kasieczka, Scott Kravitz, Benjamin Nachman,
and David Shih
- Abstract要約: 機械学習は、新しい基礎物理学の探索を強化し、加速する上で重要な役割を担っている。
地上高エネルギー物理実験における機械学習の現状と新しい物理探索への応用について概説する。
- 参考スコア(独自算出の注目度): 0.32622301272834514
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Machine learning plays a crucial role in enhancing and accelerating the
search for new fundamental physics. We review the state of machine learning
methods and applications for new physics searches in the context of terrestrial
high energy physics experiments, including the Large Hadron Collider, rare
event searches, and neutrino experiments. While machine learning has a long
history in these fields, the deep learning revolution (early 2010s) has yielded
a qualitative shift in terms of the scope and ambition of research. These
modern machine learning developments are the focus of the present review.
- Abstract(参考訳): 機械学習は、新しい基礎物理学の探求の促進と加速に重要な役割を果たしている。
本稿では,大型ハドロン衝突型加速器,レアイベントサーチ,ニュートリノ実験など,地上高エネルギー物理実験の文脈における機械学習手法と新しい物理探索への応用について概説する。
これらの分野では機械学習は長い歴史があるが、深層学習革命(2010年代初頭)は研究の範囲と野心の観点から質的な変化をもたらした。
これらの現代の機械学習の発展は、現在のレビューの焦点である。
関連論文リスト
- Machine learning in physics: a short guide [0.0]
機械学習は急速に成長する分野であり、物理学を含む科学の多くの分野に革命をもたらす可能性がある。
このレビューでは、物理における機械学習の簡単な概要を説明し、教師なし、教師なし、強化学習の主な概念を取り上げている。
本稿では、物理学における機械学習の主な応用について紹介し、関連する課題と展望について論じる。
論文 参考訳(メタデータ) (2023-10-16T13:05:47Z) - Physics-Informed Machine Learning: A Survey on Problems, Methods and
Applications [31.157298426186653]
最近の研究は、物理的な事前および収集されたデータを組み込むことによって、機械学習モデルに潜在的な利点を提供することを示している。
本稿では、経験的データと利用可能な物理的事前知識を活用するモデルを構築することを目的とした、Physical-Informed Machine Learning(PIML)という学習パラダイムを提案する。
論文 参考訳(メタデータ) (2022-11-15T11:34:30Z) - Open Environment Machine Learning [84.90891046882213]
従来の機械学習研究は、学習プロセスの重要な要素が不変であるような近世界のシナリオを想定している。
本稿では,新しいクラスを創出する技術,デクリメンタル/インクリメンタルな特徴,データ分散の変化,学習目標の変化,理論的諸問題について概説する。
論文 参考訳(メタデータ) (2022-06-01T11:57:56Z) - Modern applications of machine learning in quantum sciences [51.09906911582811]
本稿では、教師なし、教師なし、強化学習アルゴリズムにおけるディープラーニングとカーネル手法の使用について述べる。
我々は、微分可能プログラミング、生成モデル、機械学習に対する統計的アプローチ、量子機械学習など、より専門的なトピックについて議論する。
論文 参考訳(メタデータ) (2022-04-08T17:48:59Z) - Machine Learning and Cosmology [47.49675865724787]
宇宙論における機械学習の適用に関する現在および現在進行中の展開を要約する。
今後10年にわたって、これらの急成長するツールの科学的影響を最大化するためのレコメンデーションを提供する。
論文 参考訳(メタデータ) (2022-03-15T16:50:46Z) - Using Machine Learning to Find New Density Functionals [0.0]
このドラフトは、Electronic Structure(EST)に掲載された"Roadmap on Machine Learning in Electronic Structure"の一部である。
この分野の現状を簡潔に議論し、現在および今後の課題を指摘している。
私たちはまた、最先端の科学技術ツールがこれらの課題を克服するのにどう役立つかについても語っています。
論文 参考訳(メタデータ) (2021-12-04T00:49:26Z) - New Trends in Quantum Machine Learning [0.0]
我々は、機械学習が新しい量子技術とアルゴリズムの恩恵を受ける方法を探る。
データ可視化技術や機械学習から借用した他のスキームは、理論家にとって非常に有用である。
論文 参考訳(メタデータ) (2021-08-22T08:23:30Z) - Ten Quick Tips for Deep Learning in Biology [116.78436313026478]
機械学習は、データのパターンを認識し、予測モデリングに使用するアルゴリズムの開発と応用に関係している。
ディープラーニングは、独自の機械学習のサブフィールドになっている。
生物学的研究の文脈において、ディープラーニングは高次元の生物学的データから新しい洞察を導き出すためにますます使われてきた。
論文 参考訳(メタデータ) (2021-05-29T21:02:44Z) - Measuring and modeling the motor system with machine learning [117.44028458220427]
モーターシステムの理解における機械学習の有用性は、データの収集、測定、分析の方法に革命をもたらすことを約束している。
本稿では, ポーズ推定, 運動解析, 次元減少, 閉ループフィードバックから, ニューラル相関の理解, 機能停止まで, 機械学習の利用の増大について論じる。
論文 参考訳(メタデータ) (2021-03-22T12:42:16Z) - Knowledge as Invariance -- History and Perspectives of
Knowledge-augmented Machine Learning [69.99522650448213]
機械学習の研究は転換点にある。
研究の関心は、高度にパラメータ化されたモデルのパフォーマンス向上から、非常に具体的なタスクへとシフトしている。
このホワイトペーパーは、機械学習研究におけるこの新興分野の紹介と議論を提供する。
論文 参考訳(メタデータ) (2020-12-21T15:07:19Z) - Machine learning and excited-state molecular dynamics [0.0]
機械学習に基づく励起状態ダイナミクスの進歩を調査した。
光誘起分子プロセスのための機械学習アプローチの成功、落とし穴、課題、そして今後の道のりを強調します。
論文 参考訳(メタデータ) (2020-05-28T16:43:18Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト(すべての情報・翻訳含む)の品質を保証せず、本サイト(すべての情報・翻訳含む)を使用して発生したあらゆる結果について一切の責任を負いません。