論文の概要: Symbolic Regression and Differentiable Fits in Beyond the Standard Model Physics
- arxiv url: http://arxiv.org/abs/2510.20453v1
- Date: Thu, 23 Oct 2025 11:40:15 GMT
- ステータス: 翻訳完了
- システム内更新日: 2025-10-25 03:08:17.832961
- Title: Symbolic Regression and Differentiable Fits in Beyond the Standard Model Physics
- Title（参考訳）: 標準模型物理学を超えた記号的回帰と微分可能フィット
- Authors: Shehu AbdusSalam, Steven Abel, Deaglan Bartlett, Miguel Crispim Romão,
- Abstract要約: 粒子物理のプローブモデルに対する記号回帰の有効性を実証する。
我々は,ヒッグス質量,コールドダークマターの相対密度,ムーンの異常磁気モーメントへの寄与に着目した。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: We demonstrate the efficacy of symbolic regression (SR) to probe models of particle physics Beyond the Standard Model (BSM), by considering the so-called Constrained Minimal Supersymmetric Standard Model (CMSSM). Like many incarnations of BSM physics this model has a number (four) of arbitrary parameters, which determine the experimental signals, and cosmological observables such as the dark matter relic density. We show that analysis of the phenomenology can be greatly accelerated by using symbolic expressions derived for the observables in terms of the input parameters. Here we focus on the Higgs mass, the cold dark matter relic density, and the contribution to the anomalous magnetic moment of the muon. We find that SR can produce remarkably accurate expressions. Using them we make global fits to derive the posterior probability densities of the CMSSM input parameters which are in good agreement with those performed using conventional methods. Moreover, we demonstrate a major advantage of SR which is the ability to make fits using differentiable methods rather than sampling methods. We also compare the method with neural network (NN) regression. SR produces more globally robust results, while NNs require data that is focussed on the promising regions in order to be equally performant.
- Abstract（参考訳）: 本稿では,超対称性標準モデル (CMSSM) と呼ばれる超対称性標準モデル (CMSSM) を考慮し,粒子物理学のモデル探索における記号回帰 (SR) の有効性を実証する。
BSM物理学の多くのインカーネーションと同様に、このモデルは、実験信号を決定する任意のパラメータの数(4)と、ダークマター・レリック密度のような宇宙観測可能量を持つ。
入力パラメータを用いて,観測変数に導かれる記号式を用いることで,現象解析を大幅に高速化できることを示す。
ここでは、ヒッグス質量、コールドダークマターの相対密度、およびミューオンの異常磁気モーメントへの寄与に焦点を当てる。
SRは極めて正確な表現を生成できる。
CMSSM入力パラメータの後方確率密度は, 従来手法とよく一致している。
さらに,サンプル法ではなく,識別可能な手法で適合できるSRの大きな利点を示す。
また,この手法をニューラルネットワーク(NN)回帰と比較した。
SRはよりグローバルにロバストな結果を生成する一方、NNは同等のパフォーマンスを得るために、将来性のある領域にフォーカスするデータを必要とする。
関連論文リスト
- Symbolic Regression for Beyond the Standard Model Physics [0.0]
標準モデル物理学を超えて研究するための強力なツールとして,記号回帰を提案する。
我々は、理論のパラメータの観点から、3つの低エネルギー観測対象を再現する分析式のセットを提供する。
提案手法のパワーを示すために,大域的適合解析における記号表現を用いて,パラメータの後方確率密度を導出する。
論文 参考訳（メタデータ） (2024-05-28T18:00:01Z) - 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) - Modeling the space-time correlation of pulsed twin beams [68.8204255655161]
パラメトリックダウンコンバージョンによって生成される絡み合ったツインビームは、画像指向アプリケーションで好まれるソースである。
本研究では,時間消費数値シミュレーションと非現実的な平面波ポンプ理論のギャップを埋めることを目的とした半解析モデルを提案する。
論文 参考訳（メタデータ） (2023-01-18T11:29:49Z) - GANs and Closures: Micro-Macro Consistency in Multiscale Modeling [0.0]
本稿では,物理シミュレーションとバイアス法を併用して,条件分布をサンプリングする手法を提案する。
このフレームワークは, マルチスケールSDE動的システムサンプリングを改善することができることを示すとともに, 複雑性が増大するシステムにも期待できることを示す。
論文 参考訳（メタデータ） (2022-08-23T03:45:39Z) - 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) - Post-mortem on a deep learning contest: a Simpson's paradox and the
complementary roles of scale metrics versus shape metrics [61.49826776409194]
我々は、ニューラルネットワーク(NN)モデルの一般化精度を予測するために、コンテストで公に利用可能にされたモデルのコーパスを分析する。
メトリクスが全体としてよく機能するが、データのサブパーティションではあまり機能しない。
本稿では,データに依存しない2つの新しい形状指標と,一連のNNのテスト精度の傾向を予測できるデータ依存指標を提案する。
論文 参考訳（メタデータ） (2021-06-01T19:19:49Z) - 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) - 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。