論文の概要: Inferring Interpretable Models of Fragmentation Functions using Symbolic Regression

• arxiv url: http://arxiv.org/abs/2501.07123v1
• Date: Mon, 13 Jan 2025 08:25:14 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-01-14 14:20:29.078333
• Title: Inferring Interpretable Models of Fragmentation Functions using Symbolic Regression
• Title（参考訳）: 記号回帰を用いたフラグメンテーション関数の解釈可能なモデルの推定
• Authors: Nour Makke, Sanjay Chawla,
• Abstract要約: 本稿では, 実験データから直接, フラグメンテーション関数の関数形式を推定する最初の研究について述べる。 この研究は、QCD関連の現象学研究や、より一般的には科学に追従するアプローチである。
• 参考スコア（独自算出の注目度）: 10.091537548478655
• License:
• Abstract: Machine learning is rapidly making its path into natural sciences, including high-energy physics. We present the first study that infers, directly from experimental data, a functional form of fragmentation functions. The latter represent a key ingredient to describe physical observables measured in high-energy physics processes that involve hadron production, and predict their values at different energy. Fragmentation functions can not be calculated in theory and have to be determined instead from data. Traditional approaches rely on global fits of experimental data using a pre-assumed functional form inspired from phenomenological models to learn its parameters. This novel approach uses a ML technique, namely symbolic regression, to learn an analytical model from measured charged hadron multiplicities. The function learned by symbolic regression resembles the Lund string function and describes the data well, thus representing a potential candidate for use in global FFs fits. This study represents an approach to follow in such QCD-related phenomenology studies and more generally in sciences.
• Abstract（参考訳）: 機械学習は、高エネルギー物理学を含む自然科学への道を急速に進んでいる。 本稿では, 実験データから直接, フラグメンテーション関数の関数形式を推定する最初の研究について述べる。 後者は、ハドロン生成を含む高エネルギー物理プロセスで測定された物理観測可能な物質を記述し、異なるエネルギーでそれらの値を予測するための重要な要素である。 フラグメンテーション関数は理論上は計算できず、代わりにデータから決定する必要がある。 伝統的なアプローチは、パラメータを学習するために現象学モデルから着想を得た、仮定された機能形式を用いて、実験データの大域的な適合に依存する。 この手法はML手法、すなわち記号回帰を用いて、測定された荷電ハドロン乗法から解析モデルを学ぶ。 シンボリック回帰によって学習された関数は、Lund文字列関数に似ており、データをうまく記述している。 この研究は、QCD関連の現象学研究や、より一般的には科学に追従するアプローチである。

関連論文リスト

• An Explainable Pipeline for Machine Learning with Functional Data [0.1874930567916036]
  関数型データ入力を用いた予測を目的とし,高連続空間からの2つの応用を考察する。 1つの応用は、材料のハイパースペクトルCTスキャンにより爆発物を特定するために、材料タイプを分類することである。 もう1つの応用は、ラマン分光法で抽出したカラーシグネチャを用いてインクジェット印刷された文書をソースプリンタに接続する法医学的なタスクを考えることである。
  論文  参考訳（メタデータ） (2025-01-10T23:33:15Z)
• SymbolFit: Automatic Parametric Modeling with Symbolic Regression [1.2662552408022727]
  シンボリック回帰を用いてパラメトリックモデリングを自動化するフレームワークであるSybolFitを導入し,データに適合する関数の機械探索を行う。 本手法はCERN大型ハドロン衝突型加速器における高エネルギー物理実験におけるデータ解析応用において実証された。
  論文  参考訳（メタデータ） (2024-11-15T00:09:37Z)
• Sparse identification of quasipotentials via a combined data-driven method [4.599618895656792]
  我々は、ニューラルネットワークとスパース回帰アルゴリズムという2つのデータ駆動手法を組み合わせて機械学習を活用し、擬ポテンシャル関数の記号表現を得る。 提案手法は, 未知の正準ポテンシャルモデルと, ナノメカニカル共振器のダイナミックスに対して, 擬似準ポテンシャル方程式を求めるものである。
  論文  参考訳（メタデータ） (2024-07-06T11:27:52Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• On the Joint Interaction of Models, Data, and Features [82.60073661644435]
  本稿では,データとモデル間の相互作用を実験的に解析する新しいツールであるインタラクションテンソルを紹介する。 これらの観測に基づいて,特徴学習のための概念的枠組みを提案する。 この枠組みの下では、一つの仮説に対する期待された精度と一対の仮説に対する合意はどちらも閉形式で導出することができる。
  論文  参考訳（メタデータ） (2023-06-07T21:35:26Z)
• Capturing dynamical correlations using implicit neural representations [85.66456606776552]
  実験データから未知のパラメータを復元するために、モデルハミルトンのシミュレーションデータを模倣するために訓練されたニューラルネットワークと自動微分を組み合わせた人工知能フレームワークを開発する。 そこで本研究では, 実時間から多次元散乱データに適用可能な微分可能なモデルを1回だけ構築し, 訓練する能力について述べる。
  論文  参考訳（メタデータ） (2023-04-08T07:55:36Z)
• Spherical Poisson Point Process Intensity Function Modeling and Estimation with Measure Transport [0.20305676256390934]
  球面上の非同次ポアソン過程強度関数をモデル化するための新しいアプローチを提案する。 このフレームワークの中心的な考え方は、球面上の関心の根底にある強度関数を、球面上のより単純な参照、強度関数に変換するフレキシブルな単射写像を構築し、推定することである。
  論文  参考訳（メタデータ） (2022-01-24T06:46:22Z)
• Analytical Modelling of Exoplanet Transit Specroscopy with Dimensional Analysis and Symbolic Regression [68.8204255655161]
  ディープラーニング革命は、そのような分析結果を直接、データに適合するコンピュータアルゴリズムで導き出すための扉を開いた。 我々は、一般的なホットジュピター系外惑星の遷移半径の合成データにおける記号回帰の利用をうまく実証した。 前処理のステップとして,変数の無次元な組み合わせを特定するために次元解析を用いる。
  論文  参考訳（メタデータ） (2021-12-22T00:52:56Z)
• Leveraging Global Parameters for Flow-based Neural Posterior Estimation [90.21090932619695]
  実験観測に基づくモデルのパラメータを推定することは、科学的方法の中心である。 特に困難な設定は、モデルが強く不確定であるとき、すなわち、パラメータの異なるセットが同一の観測をもたらすときである。 本稿では,グローバルパラメータを共有する観測の補助的セットによって伝達される付加情報を利用して,その不確定性を破る手法を提案する。
  論文  参考訳（メタデータ） (2021-02-12T12:23:13Z)
• Random Sampling High Dimensional Model Representation Gaussian Process Regression (RS-HDMR-GPR) for representing multidimensional functions with machine-learned lower-dimensional terms allowing insight with a general method [0.0]
  RS-HDMR-GPR(Random Smpling High-dimensional Model Representation Gaussian Process Regression)のためのPython実装 コードにより、変数の欠落した値を計算し、HDMR項の有用な数を大幅に減らすことができる。 この回帰ツールの能力は、合成分析機能、水分子のポテンシャルエネルギー表面、物質の運動エネルギー密度、金融市場データを含む試験ケースで実証される。
  論文  参考訳（メタデータ） (2020-11-24T00:12:05Z)
• UNIPoint: Universally Approximating Point Processes Intensities [125.08205865536577]
  学習可能な関数のクラスが任意の有効な強度関数を普遍的に近似できることを示す。 ニューラルポイントプロセスモデルであるUNIPointを実装し,各イベントの基底関数の和をパラメータ化するために,リカレントニューラルネットワークを用いた。
  論文  参考訳（メタデータ） (2020-07-28T09:31:56Z)

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。