論文の概要: Refining Integration-by-Parts Reduction of Feynman Integrals with Machine Learning

• arxiv url: http://arxiv.org/abs/2502.05121v1
• Date: Fri, 07 Feb 2025 17:48:42 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-02-10 14:55:02.076678
• Title: Refining Integration-by-Parts Reduction of Feynman Integrals with Machine Learning
• Title（参考訳）: 機械学習によるファインマン積分の精細化
• Authors: Matt von Hippel, Matthias Wilhelm,
• Abstract要約: ファインマン積分の積分による分解は、理論粒子や重力波物理学において頻繁にボトルネックとなる。 改良されたアイデンティティを見つけるための機械学習手法について検討する。 我々は,大言語モデルによるコード生成に基づく遺伝的プログラミングの亜種である funsearch を用いて,可能なアプローチを探索する。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: Integration-by-parts reductions of Feynman integrals pose a frequent bottle-neck in state-of-the-art calculations in theoretical particle and gravitational-wave physics, and rely on heuristic approaches for selecting integration-by-parts identities, whose quality heavily influences the performance. In this paper, we investigate the use of machine-learning techniques to find improved heuristics. We use funsearch, a genetic programming variant based on code generation by a Large Language Model, in order to explore possible approaches, then use strongly typed genetic programming to zero in on useful solutions. Both approaches manage to re-discover the state-of-the-art heuristics recently incorporated into integration-by-parts solvers, and in one example find a small advance on this state of the art.
• Abstract（参考訳）: ファインマン積分の積分の分解は、理論粒子や重力波物理学における最先端の計算において頻繁にボトルネックとなり、その品質が性能に大きく影響する積分単位を選択するためのヒューリスティックなアプローチに依存する。 本稿では,改良されたヒューリスティクスを見つけるための機械学習手法について検討する。 我々は、大言語モデルによるコード生成に基づく遺伝的プログラミングの亜種である funsearch を用いて、可能なアプローチを探究し、有効なソリューションをゼロにするために強く型付けされた遺伝的プログラミングを使用する。 どちらのアプローチも、最近統合分割解法に組み込まれた最先端のヒューリスティックスを再発見し、ある例では、この最先端の小さな進歩を見出している。

関連論文リスト

• A Stochastic Approach to Bi-Level Optimization for Hyperparameter Optimization and Meta Learning [74.80956524812714]
  我々は,現代のディープラーニングにおいて広く普及している一般的なメタ学習問題に対処する。 これらの問題は、しばしばBi-Level Optimizations (BLO)として定式化される。 我々は,与えられたBLO問題を,内部損失関数が滑らかな分布となり,外損失が内部分布に対する期待損失となるようなii最適化に変換することにより,新たな視点を導入する。
  論文  参考訳（メタデータ） (2024-10-14T12:10:06Z)
• DimOL: Dimensional Awareness as A New 'Dimension' in Operator Learning [63.5925701087252]
  本稿では,DimOL(Dimension-aware Operator Learning)を紹介し,次元解析から洞察を得る。 DimOLを実装するために,FNOおよびTransformerベースのPDEソルバにシームレスに統合可能なProdLayerを提案する。 経験的に、DimOLモデルはPDEデータセット内で最大48%のパフォーマンス向上を達成する。
  論文  参考訳（メタデータ） (2024-10-08T10:48:50Z)
• Neural Control Variates with Automatic Integration [49.91408797261987]
  本稿では,任意のニューラルネットワークアーキテクチャから学習可能なパラメトリック制御関数を構築するための新しい手法を提案する。 我々はこのネットワークを用いて積分器の反微分を近似する。 我々はウォーク・オン・スフィア・アルゴリズムを用いて偏微分方程式を解くために本手法を適用した。
  論文  参考訳（メタデータ） (2024-09-23T06:04:28Z)
• Unit-Aware Genetic Programming for the Development of Empirical Equations [1.4317067660261857]
  本稿では,未知単位を「ジョーカー」として伝播する次元解析手法を提案する。 基礎的真理を持つデータセットの実験は、エボリューティブ・カリングの同等の性能を示し、次元解析なしでベースラインへの多目的アプローチを示す。
  論文  参考訳（メタデータ） (2024-05-29T08:57:00Z)
• Spectral methods for Neural Integral Equations [0.6993026261767287]
  本稿では,スペクトル法に基づくニューラル積分方程式の枠組みを提案する。 モデルの近似能力に関する様々な理論的保証を示す。 得られたモデルの有効性を示す数値実験を行う。
  論文  参考訳（メタデータ） (2023-12-09T19:42:36Z)
• Tackling Computational Heterogeneity in FL: A Few Theoretical Insights [68.8204255655161]
  我々は、計算異種データの形式化と処理を可能にする新しい集約フレームワークを導入し、分析する。 提案するアグリゲーションアルゴリズムは理論的および実験的予測から広範囲に解析される。
  論文  参考訳（メタデータ） (2023-07-12T16:28:21Z)
• CustOmics: A versatile deep-learning based strategy for multi-omics integration [0.0]
  本稿では,高次元マルチソース統合の場合のデータセットに適応する,カスタマイズ可能なオートエンコーダモデルを構築するための新しい戦略を提案する。 我々は,統合戦略が潜在表現に与える影響を評価し,新しい手法であるCustOmicsを提案する最善の戦略を組み合わせる。
  論文  参考訳（メタデータ） (2022-09-12T14:20:29Z)
• A Discrete Variational Derivation of Accelerated Methods in Optimization [68.8204255655161]
  最適化のための異なる手法を導出できる変分法を導入する。 我々は1対1の対応において最適化手法の2つのファミリを導出する。 自律システムのシンプレクティシティの保存は、ここでは繊維のみに行われる。
  論文  参考訳（メタデータ） (2021-06-04T20:21:53Z)
• Personalized Algorithm Generation: A Case Study in Meta-Learning ODE Integrators [6.457555233038933]
  科学計算における数値アルゴリズムのメタラーニングに関する研究 初期値問題の解法を自動的に学習する機械学習手法を開発した。
  論文  参考訳（メタデータ） (2021-05-04T05:42:33Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。