論文の概要: Learning the S-matrix from data: Rediscovering gravity from gauge theory via symbolic regression

• arxiv url: http://arxiv.org/abs/2602.15169v1
• Date: Mon, 16 Feb 2026 20:15:50 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-02-18 16:03:17.897734
• Title: Learning the S-matrix from data: Rediscovering gravity from gauge theory via symbolic regression
• Title（参考訳）: データからS行列を学ぶ:記号回帰によるゲージ理論からの重力の発見
• Authors: Nathan Moynihan,
• Abstract要約: 現代の機械学習手法は,数値オンシェルデータから直接散乱振幅のフラッグシップ解析構造を自律的に再構築可能であることを示す。 特に,色順のYang-Mills振幅に印加された記号レグレッションを用いて,KLT関係を再発見できることが示されている。 木レベルKLT関係は,理論上の最小値のみを用いて,高い数値精度で5本以上の外脚を求めることができる。
• 参考スコア（独自算出の注目度）: 0.0
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: We demonstrate that modern machine-learning methods can autonomously reconstruct several flagship analytic structures in scattering amplitudes directly from numerical on-shell data. In particular, we show that the Kawai--Lewellen--Tye (KLT) relations can be rediscovered using symbolic regression applied to colour-ordered Yang--Mills amplitudes with Mandelstam invariants as input features. Using standard feature-selection techniques, specifically column-pivoted QR factorisation, we simultaneously recover the Kleiss--Kuijf and Bern--Carrasco--Johansson (BCJ) relations, identifying a minimal basis of partial amplitudes without any group-theoretic input. We obtain the tree-level KLT relations with high numerical accuracy up to five external legs, using only minimal theoretical priors, and we comment on the obstacles to generalising the method to higher multiplicity. Our results establish symbolic regression as a practical tool for exploring the analytic structure of the scattering-amplitude landscape, and suggests a general data-driven strategy for uncovering hidden relations in general theories. For comparison, we benchmark this general approach with a recently introduced neural-network based method.
• Abstract（参考訳）: 本研究では,現代の機械学習手法が,数値オンシェルデータから直接散乱振幅のフラッグシップ解析構造を自律的に再構築できることを実証する。 特に,KLT(Kawai-Lewellen-Tye)関係は,入力特徴としてマンデルスタム不変量を用いた色順のYang-Mills振幅に適用されるシンボリック回帰を用いて再発見できることを示す。 Kleiss--Kuijf と Bern--Carrasco--Johansson (BCJ) の関係を同時に再現し、グループ理論的な入力のない部分振幅の最小基底を同定する。 木レベルでのKLT関係を,理論上は最小限の理論上のみを用いて,高い数値精度で得ることができ,高い乗法に一般化する上での障害についてコメントする。 本研究は, 散乱振幅ランドスケープの解析構造を探索するための実用的なツールとして, 記号回帰を定式化し, 一般理論における隠れ関係を明らかにするための一般的なデータ駆動戦略を提案する。 比較のために、我々は最近導入されたニューラルネットワークベースの手法を用いて、この一般的な手法をベンチマークする。

関連論文リスト

• Learning of Statistical Field Theories [3.160641766712591]
  本稿では, 離散変数, 連続変数, ハイブリッド変数を持つシステムに一様に対応する逆問題に対するアプローチを提案する。 粗粒化下での手順の反復は, 完全な非摂動的再正規化群フローを再構築することを示す。 また、フルゲージ構成が不可能な現実的な設定に対処し、複数の場の理論に対する学習アルゴリズムを再構成する。
  論文  参考訳（メタデータ） (2025-11-13T01:33:45Z)
• Generalization in Representation Models via Random Matrix Theory: Application to Recurrent Networks [7.721672385781673]
  まず,固定された特徴表現(凍結中間層)と学習可能な読み出し層を用いたモデルの一般化誤差について検討する。 一般化誤差に対する閉形式式を導出するためにランダム行列理論を適用する。 次に、この解析を繰り返し表現に適用し、その性能を特徴付ける簡潔な公式を得る。
  論文  参考訳（メタデータ） (2025-11-04T09:30:31Z)
• Generalized Nonnegative Structured Kruskal Tensor Regression [22.300007523556022]
  一般化非負構造クルスカル回帰(NS-KTR)は、新しいテンソル回帰フレームワークである。 モード固有のハイブリッド正規化と非負性制約による解釈性と性能を向上させる。
  論文  参考訳（メタデータ） (2025-09-24T08:51:38Z)
• KAN-SR: A Kolmogorov-Arnold Network Guided Symbolic Regression Framework [0.0]
  我々はコルモゴロフ・アーノルドネットワーク(KAN)上に構築された新しいシンボリック回帰フレームワークであるkan-SRを導入する。 シンボリック回帰は、与えられたデータセットに最もよく適合し、遺伝的プログラミングアプローチでよく解決される数学的方程式を探索する。 本研究では, 深層学習技術, より具体的なKANを用いて, 翻訳対称性や分離性などの簡易化戦略と組み合わせることで, 地層構造方程式を復元可能であることを示す。
  論文  参考訳（メタデータ） (2025-09-12T09:31:34Z)
• ISR: Invertible Symbolic Regression [7.499800486499609]
  Invertible Symbolic Regression(インバーティブル・シンボリック・レグレッション・レグレッション)は、あるデータセットの入力と出力の間の分析的関係を生成する機械学習技術である。 INNのアフィン結合ブロックをシンボリック・フレームワークに変換し、エンドツーエンドで微分可能なシンボリック・インバータブル・アーキテクチャを実現する。 ISRは密度推定タスクの(象徴的な)正規化フローとして機能することを示す。
  論文  参考訳（メタデータ） (2024-05-10T23:20:46Z)
• Deep Generative Symbolic Regression [83.04219479605801]
  記号回帰は、データから簡潔な閉形式数学的方程式を発見することを目的としている。 既存の手法は、探索から強化学習まで、入力変数の数に応じてスケールできない。 本稿では,我々のフレームワークであるDeep Generative Symbolic Regressionのインスタンス化を提案する。
  論文  参考訳（メタデータ） (2023-12-30T17:05:31Z)
• Understanding Augmentation-based Self-Supervised Representation Learning via RKHS Approximation and Regression [53.15502562048627]
  最近の研究は、自己教師付き学習とグラフラプラシアン作用素のトップ固有空間の近似との関係を構築している。 この研究は、増強に基づく事前訓練の統計的分析に発展する。
  論文  参考訳（メタデータ） (2023-06-01T15:18:55Z)
• Disentanglement via Latent Quantization [60.37109712033694]
  本研究では,組織化された潜在空間からの符号化と復号化に向けた帰納的バイアスを構築する。 本稿では,基本データレコーダ (vanilla autoencoder) と潜時再構成 (InfoGAN) 生成モデルの両方に追加することで,このアプローチの広範な適用性を実証する。
  論文  参考訳（メタデータ） (2023-05-28T06:30:29Z)

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。