論文の概要: Constraining the Higgs Potential with Neural Simulation-based Inference for Di-Higgs Production
- arxiv url: http://arxiv.org/abs/2405.15847v2
- Date: Wed, 13 Nov 2024 19:16:49 GMT
- ステータス: 翻訳完了
- システム内更新日: 2024-11-15 15:21:58.664241
- Title: Constraining the Higgs Potential with Neural Simulation-based Inference for Di-Higgs Production
- Title（参考訳）: ダイヒッグス生成のためのニューラルシミュレーションに基づく推論によるヒッグスポテンシャルの抑制
- Authors: Radha Mastandrea, Benjamin Nachman, Tilman Plehn,
- Abstract要約: 我々は,ディヒッグス現象の運動論を通じて,標準モデルを超えて物理に対する感度を改善する方法について検討する。
特に,シミュレーションに基づく推論を通した機械学習を用いて,空間当たりの確率比を推定する。
標準モデル有効場理論の観点では、限られた数の観測可能量を追加することで、ウィルソン係数の縮退を除去できる。
- 参考スコア（独自算出の注目度）: 0.09999629695552195
- License:
- Abstract: Determining the form of the Higgs potential is one of the most exciting challenges of modern particle physics. Higgs pair production directly probes the Higgs self-coupling and should be observed in the near future at the High-Luminosity LHC. We explore how to improve the sensitivity to physics beyond the Standard Model through per-event kinematics for di-Higgs events. In particular, we employ machine learning through simulation-based inference to estimate per-event likelihood ratios and gauge potential sensitivity gains from including this kinematic information. In terms of the Standard Model Effective Field Theory, we find that adding a limited number of observables can help to remove degeneracies in Wilson coefficient likelihoods and significantly improve the experimental sensitivity.
- Abstract（参考訳）: ヒッグスポテンシャルの形式を決定することは、現代の粒子物理学における最もエキサイティングな課題の1つである。
ヒッグス対生成はヒッグス自己カップリングを直接プローブし、近い将来に高光度LHCで観測されるべきである。
我々は,ディヒッグス現象の運動論を通じて,標準モデルを超えて物理に対する感度を改善する方法について検討する。
特に,シミュレーションに基づく推論による機械学習を用いて,各確率比を推定し,このキネマティック情報を含む電位感度の利得を計測する。
標準モデル有効場理論(Standard Model Effective Field Theory)の観点からは、限られた数の観測可能な値を追加することで、ウィルソン係数の縮退を除去し、実験感度を著しく向上させることができる。
関連論文リスト
- Evaluating Modifications to Classifiers for Identification of Higgs Bosons [0.0]
ヒッグス粒子は、2012年にATLASとCMSの実験によって大型ハドロン衝突型加速器(LHC)の衝突データによって発見された。
本稿では、量子機械学習(QML)を用いて、この分類問題に取り組むことを目的とする。
論文 参考訳（メタデータ） (2024-09-17T05:41:30Z) - Oscillating Fields, Emergent Gravity and Particle Traps [55.2480439325792]
急速振動場における荷電粒子の大規模ダイナミクスについて検討し、その古典的および量子有効理論記述を定式化する。
注目すべきことに、このアクションは非相対論的粒子の運動に対する一般相対性理論の影響を、場の空間分布と周波数によって決定される創発的曲率と光の速度の値でモデル化する。
論文 参考訳（メタデータ） (2023-10-03T18:00:02Z) - A Model without Higgs Potential for Quantum Simulation of Radiative
Mass-Enhancement in SUSY Breaking [0.0]
超対称性量子力学のフェルミオン状態やボゾン状態における質量増強の量子シミュレーションモデルについて検討する。
このモデルは非常に単純であり、超対称性(SUSY)が自発的に破られたときに起こる質量増強の量子シミュレーションとして実装することができる。
論文 参考訳（メタデータ） (2022-10-06T09:31:07Z) - Sensing of magnetic field effects in radical-pair reactions using a
quantum sensor [50.591267188664666]
特定の化学反応における磁場効果(MFE)は、過去50年間によく確立されてきた。
我々は、局所的なスピン環境とセンサーとの結合を考慮して、ラジカル対の精巧で現実的なモデルを採用する。
2つのモデル系に対して、ラジカル対とNV量子センサの弱い結合状態においても検出可能なMFEの信号を導出する。
論文 参考訳（メタデータ） (2022-09-28T12:56:15Z) - Fast Simulation of Particulate Suspensions Enabled by Graph Neural
Network [21.266813711114153]
我々は、ストークス懸濁液中の粒子の力学を推論し、予測するための新しい枠組み、流体力学的相互作用グラフニューラルネットワーク(HIGNN)を導入する。
これは計算効率、精度、および/または転送可能性における従来のアプローチの限界を克服する。
提案するHIGNNフレームワークの精度,効率,転送性について,多種多様なシステムで検証した。
論文 参考訳（メタデータ） (2022-06-17T14:05:53Z) - Non-equilibrium quantum thermodynamics of a particle trapped in a
controllable time-varying potential [0.0]
ハーモニックポテンシャルからダブルウェルへの移行に伴う浮遊ナノ粒子のダイナミクスについて検討した。
Wehrlエントロピー生成のダイナミクスとその速度について検討する。
システムに対するユニタリと散逸部品の効果と競合を実証する。
論文 参考訳（メタデータ） (2021-10-29T16:25:25Z) - Detectable Signature of Quantum Friction on a Sliding Particle in Vacuum [58.720142291102135]
粒子の量子コヒーレンス劣化における量子摩擦の痕跡を示す。
量子摩擦センサとして粒子が獲得した累積幾何位相を用いることを提案する。
実験的に実行可能なスキームは、非接触摩擦の検出に新たな最適化を引き起こす可能性がある。
論文 参考訳（メタデータ） (2021-03-22T16:25:27Z) - Enhanced decoherence for a neutral particle sliding on a metallic
surface in vacuum [68.8204255655161]
非接触摩擦は移動原子の脱コヒーレンスを高めることを示す。
我々は,コヒーレンスの速度依存性によるデコヒーレンス時間を間接的に測定することで,量子摩擦の存在を実証できることを示唆した。
論文 参考訳（メタデータ） (2020-11-06T17:34:35Z) - Probing eigenstate thermalization in quantum simulators via
fluctuation-dissipation relations [77.34726150561087]
固有状態熱化仮説(ETH)は、閉量子多体系の平衡へのアプローチの普遍的なメカニズムを提供する。
本稿では, ゆらぎ・散逸関係の出現を観測し, 量子シミュレータのフルETHを探索する理論に依存しない経路を提案する。
我々の研究は、量子シミュレータにおける熱化を特徴づける理論に依存しない方法を示し、凝縮物質ポンプ-プローブ実験をシミュレーションする方法を舗装する。
論文 参考訳（メタデータ） (2020-07-20T18:00:02Z) - Bayesian Neural Networks for Fast SUSY Predictions [58.720142291102135]
本稿では,機械学習を用いて,BSM理論のパラメータ空間から予測へのマッピングをモデル化する。
3つの量はすべて平均パーセントの誤差3.34%以下でモデル化され、結果が導出される超対称性符号よりもはるかに短い時間でモデル化される。
結果は、機械学習がBSM理論の高次元空間から予測へのマッピングを正確にモデル化する可能性のさらなる実証である。
論文 参考訳（メタデータ） (2020-07-09T01:45:06Z) - Heuristic machinery for thermodynamic studies of SU(N) fermions with
neural networks [1.1910997817688513]
機械学習分析を用いて機械を導入する。
我々は、SU($N$)スピン対称性内で相互作用する超低温フェルミオンの密度プロファイルにおける熱力学的研究の導出に機械を用いる。
我々の機械学習フレームワークは、SU($N$) フェルミ液体の理論的記述を検証できる可能性を示している。
論文 参考訳（メタデータ） (2020-06-25T02:31:55Z)
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。