論文の概要: Uncovering Singularities in Feynman Integrals via Machine Learning
- arxiv url: http://arxiv.org/abs/2510.10099v1
- Date: Sat, 11 Oct 2025 08:16:33 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-14 18:06:29.780217
- Title: Uncovering Singularities in Feynman Integrals via Machine Learning
- Title（参考訳）: 機械学習によるFeynman積分の特異点の発見
- Authors: Yuanche Liu, Yingxuan Xu, Yang Zhang,
- Abstract要約: 記号回帰に基づく機械学習フレームワークを導入し,多ループFeynman積分の完全記号アルファベットを抽出する。
還元よりも解析構造を対象とすることで、この手法は様々な積分の族に広く適用され、解釈可能である。
- 参考スコア（独自算出の注目度）: 3.6392601464131737
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We introduce a machine-learning framework based on symbolic regression to extract the full symbol alphabet of multi-loop Feynman integrals. By targeting the analytic structure rather than reduction, the method is broadly applicable and interpretable across different families of integrals. It successfully reconstructs complete symbol alphabets in nontrivial examples, demonstrating both robustness and generality. Beyond accelerating computations case by case, it uncovers the analytic structure universally. This framework opens new avenues for multi-loop amplitude analysis and provides a versatile tool for exploring scattering amplitudes.
- Abstract（参考訳）: 記号回帰に基づく機械学習フレームワークを導入し,多ループFeynman積分の完全記号アルファベットを抽出する。
還元よりも解析構造を対象とすることで、この手法は様々な積分の族に広く適用され、解釈可能である。
完全な記号アルファベットを非自明な例で再構築し、堅牢性と一般性の両方を証明した。
ケースごとの計算を加速するだけでなく、解析構造を普遍的に発見する。
このフレームワークは、マルチループ振幅解析のための新しい道を開き、散乱振幅を探索するための多目的ツールを提供する。
関連論文リスト
- Refining Integration-by-Parts Reduction of Feynman Integrals with Machine Learning [0.0]
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。
論文 参考訳（メタデータ） (2025-02-07T17:48:42Z) - 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) - Physical Symbolic Optimization [0.0]
本稿では, 次元解析の規則に従うために, 方程式の自動逐次生成を制約する枠組みを提案する。
我々のシンボリック回帰アルゴリズムは、変数と定数が既知の物理単位を持つ文脈において、最先端の結果を達成する。
論文 参考訳（メタデータ） (2023-12-06T16:56:28Z) - Class Symbolic Regression: Gotta Fit 'Em All [0.0]
我々は,複数のデータセットに正確に適合する単一解析関数形式を自動的に見つけるための,最初のフレームワークである「クラスシンボリック回帰(Class Symbolic Regression)」を紹介した。
この階層的な枠組みは、単一の物理現象の全てのメンバーが共通の法則に従うという共通の制約を利用する。
本稿では,このようなアルゴリズムの評価に特化して設計された,一連の合成物理課題を含む,最初のクラスSRベンチマークを紹介する。
論文 参考訳（メタデータ） (2023-12-04T11:45:44Z) - Discovering Universal Geometry in Embeddings with ICA [3.1921092049934647]
それぞれの埋め込みは、いくつかの内在的解釈可能な軸の合成として表現できることを示す。
埋め込みの幾何学的パターンにおける普遍的意味構造の発見は、埋め込みにおける表現の理解を深める。
論文 参考訳（メタデータ） (2023-05-22T16:04:44Z) - Reinforcement Learning from Partial Observation: Linear Function Approximation with Provable Sample Efficiency [111.83670279016599]
部分観察決定過程(POMDP)の無限観測および状態空間を用いた強化学習について検討した。
線形構造をもつPOMDPのクラスに対する部分可観測性と関数近似の最初の試みを行う。
論文 参考訳（メタデータ） (2022-04-20T21:15:38Z) - Statistically Meaningful Approximation: a Case Study on Approximating
Turing Machines with Transformers [50.85524803885483]
本研究は,統計的学習性を示すために近似ネットワークを必要とする統計有意(SM)近似の形式的定義を提案する。
回路とチューリングマシンの2つの機能クラスに対するSM近似について検討する。
論文 参考訳（メタデータ） (2021-07-28T04:28:55Z) - Optimization on manifolds: A symplectic approach [127.54402681305629]
本稿では、最適化問題を解くための一般的な枠組みとして、ディラックの制約付きハミルトン系理論の散逸拡張を提案する。
我々の(加速された)アルゴリズムのクラスは単純で効率的なだけでなく、幅広い文脈にも適用できる。
論文 参考訳（メタデータ） (2021-07-23T13:43:34Z) - Stochastic Approximation for Online Tensorial Independent Component
Analysis [98.34292831923335]
独立成分分析(ICA)は統計機械学習や信号処理において一般的な次元削減ツールである。
本稿では,各独立成分を推定する副産物オンライン時系列アルゴリズムを提案する。
論文 参考訳（メタデータ） (2020-12-28T18:52:37Z) - Revisiting the Sample Complexity of Sparse Spectrum Approximation of
Gaussian Processes [60.479499225746295]
本稿では,ガウス過程に対して,パラメータ空間全体に対して同時に保持可能な保証付きスケーラブルな近似を導入する。
我々の近似は、スパーススペクトルガウス過程(SSGP)のための改良されたサンプル複雑性解析から得られる。
論文 参考訳（メタデータ） (2020-11-17T05:41:50Z)
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。