論文の概要: Towards AI-assisted Neutrino Flavor Theory Design

• arxiv url: http://arxiv.org/abs/2506.08080v1
• Date: Mon, 09 Jun 2025 18:00:01 GMT
• ステータス: 翻訳完了
• システム内更新日: 2025-06-29 09:28:14.73256
• Title: Towards AI-assisted Neutrino Flavor Theory Design
• Title（参考訳）: AIによるニュートリノフレーバー設計に向けて
• Authors: Jason Benjamin Baretz, Max Fieg, Vijay Ganesh, Aishik Ghosh, V. Knapp-Perez, Jake Rudolph, Daniel Whiteson,
• Abstract要約: 本研究では、強化学習エージェントが合理化された物理ソフトウェアパイプラインと相互作用し、効率的に空間を探索するフレームワークを開発する。 AMBerは対称性群、粒子内容、および群表現代入を選択して実行可能なモデルを構築する。 我々は、理論空間のよく研究された領域における我々のアプローチを検証し、探索を、以前に検討されなかった新しい対称性群に拡張する。
• 参考スコア（独自算出の注目度）: 7.345952943820552
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Particle physics theories, such as those which explain neutrino flavor mixing, arise from a vast landscape of model-building possibilities. A model's construction typically relies on the intuition of theorists. It also requires considerable effort to identify appropriate symmetry groups, assign field representations, and extract predictions for comparison with experimental data. We develop an Autonomous Model Builder (AMBer), a framework in which a reinforcement learning agent interacts with a streamlined physics software pipeline to search these spaces efficiently. AMBer selects symmetry groups, particle content, and group representation assignments to construct viable models while minimizing the number of free parameters introduced. We validate our approach in well-studied regions of theory space and extend the exploration to a novel, previously unexamined symmetry group. While demonstrated in the context of neutrino flavor theories, this approach of reinforcement learning with physics software feedback may be extended to other theoretical model-building problems in the future.
• Abstract（参考訳）: ニュートリノのフレーバーの混合を説明するような粒子物理学の理論は、モデル構築の可能性の広大な風景から生まれる。 モデルの構成は一般に理論家の直観に依存している。 また、適切な対称性群を特定し、フィールド表現を割り当て、実験データと比較するための予測を抽出するためにもかなりの努力が必要である。 我々は、強化学習エージェントが合理化された物理ソフトウェアパイプラインと相互作用し、これらの空間を効率的に探索するフレームワークである自律モデルビルダー(AMBer)を開発した。 AMBerは、導入された自由パラメータの数を最小限に抑えつつ、実行可能なモデルを構築するために対称性群、粒子量、グループ表現代入を選択する。 我々は、理論空間のよく研究された領域における我々のアプローチを検証し、探索を、以前に検討されなかった新しい対称性群に拡張する。 ニュートリノフレーバー理論の文脈で実証されているが、物理学ソフトウェアフィードバックによる強化学習のアプローチは、将来他の理論的モデル構築問題にまで拡張される可能性がある。

関連論文リスト

• Jarzynski Reweighting and Sampling Dynamics for Training Energy-Based Models: Theoretical Analysis of Different Transition Kernels [0.0]
  エネルギーベースモデル(EBM)は、生成モデリングのための柔軟なフレームワークを提供する。 対照的な発散やスコアマッチングといった従来の手法は、正確な学習を妨げるバイアスを導入している。 本稿では,非平衡統計力学の手法であるジャジンスキー再重み付けの理論的解析とそのEBM訓練への応用について述べる。
  論文  参考訳（メタデータ） (2025-06-09T15:08:01Z)
• Can Diffusion Models Disentangle? A Theoretical Perspective [52.360881354319986]
  本稿では,拡散モデルが非交叉表現を学習する方法を理解するための新しい理論的枠組みを提案する。 我々は、一般的な非絡み付き潜在変数モデルの識別可能性条件を確立し、トレーニング力学を解析し、非絡み付き潜在部分空間モデルのサンプル複雑性境界を導出する。
  論文  参考訳（メタデータ） (2025-03-31T20:46:18Z)
• Bayesian Co-navigation: Dynamic Designing of the Materials Digital Twins via Active Learning [1.1057473962658189]
  自動および自律的な実験装置への理論の統合は、科学研究を加速するための重要な目標として浮上している。 本稿では,理論モデル空間と実験のベイズ的共ナビゲーションを通じて,理論をループに統合する手法を提案する。 ここでは強誘電体材料における機能応答の文脈で実証されているが、我々のアプローチはより広範な応用を約束する。
  論文  参考訳（メタデータ） (2024-04-19T14:11:32Z)
• Designing Observables for Measurements with Deep Learning [0.12277343096128711]
  機械学習を用いて,対象とする観測対象を設計することを提案する。 ニューラルネットワーク出力の展開された微分断面は、関心のパラメータに関する最も多くの情報を含んでいる。 深部散乱の包括的測定に2つの物理モデルを用いたシミュレーションでこのアイデアを実証する。
  論文  参考訳（メタデータ） (2023-10-12T20:54:34Z)
• Geometric Neural Diffusion Processes [55.891428654434634]
  拡散モデルの枠組みを拡張して、無限次元モデリングに一連の幾何学的先行を組み込む。 これらの条件で、生成関数モデルが同じ対称性を持つことを示す。
  論文  参考訳（メタデータ） (2023-07-11T16:51:38Z)
• 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)
• Online simulator-based experimental design for cognitive model selection [74.76661199843284]
  本稿では,抽出可能な確率を伴わない計算モデルを選択する実験設計手法BOSMOSを提案する。 シミュレーション実験では,提案手法により,既存のLFI手法に比べて最大2桁の精度でモデルを選択することができることを示した。
  論文  参考訳（メタデータ） (2023-03-03T21:41:01Z)
• Symmetry Group Equivariant Architectures for Physics [52.784926970374556]
  機械学習の分野では、対称性に対する認識が目覚ましいパフォーマンスのブレークスルーを引き起こしている。 物理学のコミュニティと、より広い機械学習のコミュニティの両方に、理解すべきことがたくさんある、と私たちは主張する。
  論文  参考訳（メタデータ） (2022-03-11T18:27:04Z)
• A physics-informed operator regression framework for extracting data-driven continuum models [0.0]
  高忠実度分子シミュレーションデータから連続体モデルを発見するためのフレームワークを提案する。 提案手法は、モーダル空間における制御物理のニューラルネットワークパラメタライゼーションを適用する。 局所・非局所拡散過程や単相・多相流など,様々な物理分野におけるフレームワークの有効性を実証する。
  論文  参考訳（メタデータ） (2020-09-25T01:13:51Z)
• 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)

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。