論文の概要: Diffusion-model approach to flavor models: A case study for $S_4^\prime$ modular flavor model

• arxiv url: http://arxiv.org/abs/2504.00944v1
• Date: Tue, 01 Apr 2025 16:29:03 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-04-03 13:18:00.183849
• Title: Diffusion-model approach to flavor models: A case study for $S_4^\prime$ modular flavor model
• Title（参考訳）: フレーバーモデルへの拡散モデルアプローチ:$S_4^\prime$モジュラーフレーバーモデルのケーススタディ
• Authors: Satsuki Nishimura, Hajime Otsuka, Haruki Uchiyama,
• Abstract要約: 本稿では,拡散モデルを用いて,一般的なフレーバーモデルにおける実験的制約のあるパラメータを探索する手法を提案する。 我々は,自由パラメータを生成対象として扱うことにより,クォーク質量,CKM行列,Jarlskog不変量を再現するニューラルネットワークを構築した。
• 参考スコア（独自算出の注目度）: 0.0
• License:
• Abstract: We propose a numerical method of searching for parameters with experimental constraints in generic flavor models by utilizing diffusion models, which are classified as a type of generative artificial intelligence (generative AI). As a specific example, we consider the $S_4^\prime$ modular flavor model and construct a neural network that reproduces quark masses, the CKM matrix, and the Jarlskog invariant by treating free parameters in the flavor model as generating targets. By generating new parameters with the trained network, we find various phenomenologically interesting parameter regions where an analytical evaluation of the $S_4^\prime$ model is challenging. Additionally, we confirm that the spontaneous CP violation occurs in the $S_4^\prime$ model. The diffusion model enables an inverse problem approach, allowing the machine to provide a series of plausible model parameters from given experimental data. Moreover, it can serve as a versatile analytical tool for extracting new physical predictions from flavor models.
• Abstract（参考訳）: 本稿では,ジェネリックフレーバーモデルにおいて,ジェネレーション人工知能(ジェネレーションAI)の一種に分類される拡散モデルを用いて,実験的な制約のあるパラメータを探索する数値的手法を提案する。 特定の例として、$S_4^\prime$モジュラーフレーバーモデルを検討し、フレーバーモデルの自由パラメータを生成ターゲットとして扱い、クォーク質量、CKM行列、ヤールスコーグ不変量を再現するニューラルネットワークを構築する。 トレーニングされたネットワークで新しいパラメータを生成することにより,$S_4^\prime$モデルの解析的評価が困難な,現象学的に興味深いパラメータ領域が見つかる。 さらに,自然発生CP違反が$S_4^\prime$モデルで発生することを確認した。 拡散モデルは逆問題アプローチを可能にし、マシンは与えられた実験データから妥当なモデルパラメータのシリーズを提供することができる。 さらに、フレーバーモデルから新しい物理予測を抽出するための多用途分析ツールとして機能する。

関連論文リスト

• Generative Modeling with Bayesian Sample Inference [50.07758840675341]
  我々はガウス的後代推論の単純な作用から新しい生成モデルを導出する。 生成したサンプルを未知変数として推論することで、ベイズ確率の言語でサンプリングプロセスを定式化する。 我々のモデルは、未知のサンプルを広い初期信念から絞り込むために、一連の予測と後続の更新ステップを使用する。
  論文  参考訳（メタデータ） (2025-02-11T14:27:10Z)
• Scaling and renormalization in high-dimensional regression [72.59731158970894]
  本稿では,様々な高次元リッジ回帰モデルの訓練および一般化性能の簡潔な導出について述べる。 本稿では,物理と深層学習の背景を持つ読者を対象に,これらのトピックに関する最近の研究成果の紹介とレビューを行う。
  論文  参考訳（メタデータ） (2024-05-01T15:59:00Z)
• 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)
• A Statistical-Modelling Approach to Feedforward Neural Network Model Selection [0.8287206589886881]
  フィードフォワードニューラルネットワーク(FNN)は非線形回帰モデルと見なすことができる。 FNNのためのベイズ情報基準(BIC)を用いて,新しいモデル選択法を提案する。 サンプル外性能よりもBICを選択することは、真のモデルを回復する確率を増大させる。
  論文  参考訳（メタデータ） (2022-07-09T11:07:04Z)
• Diffusion models as plug-and-play priors [98.16404662526101]
  我々は、事前の$p(mathbfx)$と補助的な制約である$c(mathbfx,mathbfy)$からなるモデルにおいて、高次元データ$mathbfx$を推論する問題を考える。 拡散モデルの構造は,異なるノイズ量に富んだ定性デノナイジングネットワークを通じて,微分を反復することで近似推論を行うことができる。
  論文  参考訳（メタデータ） (2022-06-17T21:11:36Z)
• On the Influence of Enforcing Model Identifiability on Learning dynamics of Gaussian Mixture Models [14.759688428864159]
  特異モデルからサブモデルを抽出する手法を提案する。 本手法はトレーニング中のモデルの識別性を強制する。 この手法がディープニューラルネットワークのようなより複雑なモデルにどのように適用できるかを示す。
  論文  参考訳（メタデータ） (2022-06-17T07:50:22Z)
• Inverting brain grey matter models with likelihood-free inference: a tool for trustable cytoarchitecture measurements [62.997667081978825]
  脳の灰白質細胞構造の特徴は、体密度と体積に定量的に敏感であり、dMRIでは未解決の課題である。 我々は新しいフォワードモデル、特に新しい方程式系を提案し、比較的スパースなb殻を必要とする。 次に,提案手法を逆転させるため,確率自由推論 (LFI) として知られるベイズ解析から最新のツールを適用した。
  論文  参考訳（メタデータ） (2021-11-15T09:08:27Z)
• Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
  我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。 トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
  論文  参考訳（メタデータ） (2020-10-27T17:54:12Z)
• Neural network with data augmentation in multi-objective prediction of multi-stage pump [16.038015881697593]
  ニューラルネットワークモデル(NN)は、二次応答面モデル(RSF)、ラジアル基底ガウス応答面モデル(RBF)、クリグモデル(KRG)と比較して構築される。 4つの予測モデルに基づく頭部とパワーの精度をCFDシミュレーション値と比較した。 データ拡張(NNDA)に基づくニューラルネットワークモデルが提案されている。
  論文  参考訳（メタデータ） (2020-02-04T11:23:42Z)

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。