Fugu-MT 論文翻訳(概要): Seeking Truth and Beauty in Flavor Physics with Machine Learning

論文の概要: Seeking Truth and Beauty in Flavor Physics with Machine Learning

arxiv url: http://arxiv.org/abs/2311.00087v1
Date: Tue, 31 Oct 2023 18:53:22 GMT
ステータス: 処理完了
システム内更新日: 2023-11-02 16:14:12.460863
Title: Seeking Truth and Beauty in Flavor Physics with Machine Learning
Title（参考訳）: 機械学習によるフレーバー物理の真理と美を探る
Authors: Konstantin T. Matchev, Katia Matcheva, Pierre Ramond, Sarunas Verner
Abstract要約: 両タスクを機械学習技術で実行するための損失関数を設計する。ユカワクォークセクターをおもちゃの例として用いて、これらの損失関数の最適化が真で美しいモデルをもたらすことを示す。
参考スコア（独自算出の注目度）: 1.8434042562191815
License: http://creativecommons.org/licenses/by/4.0/
Abstract: The discovery process of building new theoretical physics models involves the dual aspect of both fitting to the existing experimental data and satisfying abstract theorists' criteria like beauty, naturalness, etc. We design loss functions for performing both of those tasks with machine learning techniques. We use the Yukawa quark sector as a toy example to demonstrate that the optimization of these loss functions results in true and beautiful models.
Abstract（参考訳）: 新しい理論物理学モデルを構築する発見プロセスは、既存の実験データに適合し、美学、自然性などの抽象理論家の基準を満たすという2つの側面を含む。両タスクを機械学習技術で実行するための損失関数を設計する。ユカワクォークセクターをおもちゃの例として用いて、これらの損失関数の最適化が真で美しいモデルをもたらすことを示す。

関連論文リスト

Deep Learning Through A Telescoping Lens: A Simple Model Provides Empirical Insights On Grokking, Gradient Boosting & Beyond [61.18736646013446]
その驚くべき振る舞いをより深く理解するために、トレーニングされたニューラルネットワークの単純かつ正確なモデルの有用性について検討する。 3つのケーススタディで、様々な顕著な現象に関する新しい経験的洞察を導き出すためにどのように適用できるかを説明します。
論文参考訳（メタデータ） (2024-10-31T22:54:34Z)
Cliqueformer: Model-Based Optimization with Structured Transformers [102.55764949282906]
我々は、MBOタスクの構造を学習し、経験的に改良された設計につながるモデルを開発する。我々はCliqueformerを、高次元のブラックボックス機能から、化学・遺伝設計の現実的なタスクまで、様々なタスクで評価する。
論文参考訳（メタデータ） (2024-10-17T00:35:47Z)
SimFair: Physics-Guided Fairness-Aware Learning with Simulation Models [22.521850023693833]
多くの場合、パフォーマンスの不平等は、異なる領域における分布の変化によるものである。物理誘導型公正学習フレームワークSimFairを提案する。
論文参考訳（メタデータ） (2024-01-27T02:36:30Z)
Exploring the Truth and Beauty of Theory Landscapes with Machine Learning [1.8434042562191815]
ユカワクォークセクターをおもちゃの例として用いて、これらのタスクが機械学習技術によってどのように達成できるかを実証する。損失最小化関数は、3つの異なる基準(均一性、疎性、対称性)で測られるように、真のモデルで得られる。
論文参考訳（メタデータ） (2024-01-21T14:52:39Z)
INFINITY: Neural Field Modeling for Reynolds-Averaged Navier-Stokes Equations [13.242926257057084]
INFINITYは、幾何学情報と物理場をコンパクトな表現に符号化するディープラーニングモデルである。本フレームワークは,体積と表面の物理場を正確に推定することにより,最先端の性能を実現する。我々のモデルは、方程式に固執しながら、ドラッグ・アンド・リフト係数を正確に予測することができる。
論文参考訳（メタデータ） (2023-07-25T14:35:55Z)
Advancing Reacting Flow Simulations with Data-Driven Models [50.9598607067535]
マルチ物理問題における機械学習ツールの効果的な利用の鍵は、それらを物理モデルとコンピュータモデルに結合することである。本章では, 燃焼システムにおけるデータ駆動型低次モデリングの適用可能性について概説する。
論文参考訳（メタデータ） (2022-09-05T16:48:34Z)
Applying Machine Learning to Study Fluid Mechanics [0.696194614504832]
本稿では,機械学習を用いて流体力学でデータ駆動モデルを構築する方法について概説する。それぞれの段階において、流体力学の分野からの具体例を用いて、これまでの物理知識がどのようにプロセスに埋め込まれているかについて議論する。
論文参考訳（メタデータ） (2021-10-05T14:30:24Z)
Knowledge distillation: A good teacher is patient and consistent [71.14922743774864]
最先端のパフォーマンスを実現する大規模モデルと、実用的な用途で手頃な価格のモデルとの間には、コンピュータビジョンの相違が増えている。蒸留の有効性に大きな影響を及ぼす可能性のある,特定の暗黙的な設計選択を同定する。 ImageNetの最先端ResNet-50モデルが82.8%の精度で実現されている。
論文参考訳（メタデータ） (2021-06-09T17:20:40Z)
Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。合成および実世界のデータセットの集合に対して生成的性能改善を示す。
論文参考訳（メタデータ） (2021-02-25T20:28:52Z)
Gradient-Based Training and Pruning of Radial Basis Function Networks with an Application in Materials Physics [0.24792948967354234]
本稿では,高速かつスケーラブルなオープンソース実装による放射状基底関数ネットワークのトレーニング手法を提案する。連立データと連立データのモデル解析のための新しいクローズドフォーム最適化基準を導出する。
論文参考訳（メタデータ） (2020-04-06T11:32:37Z)
Learning Predictive Representations for Deformable Objects Using Contrastive Estimation [83.16948429592621]
視覚表現モデルと動的モデルの両方を協調的に最適化する新しい学習フレームワークを提案する。我々は,標準モデルに基づく学習手法をロープや布の操作スイートで大幅に改善した。
論文参考訳（メタデータ） (2020-03-11T17:55:15Z)

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。