論文の概要: Physically Consistent Parameter Inference: Transparent Machine Learning Emulation in High Energy Physics and Cosmology

• arxiv url: http://arxiv.org/abs/2607.12726v1
• Date: Tue, 14 Jul 2026 12:55:45 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-07-15 17:08:30.144076
• Title: Physically Consistent Parameter Inference: Transparent Machine Learning Emulation in High Energy Physics and Cosmology
• Title（参考訳）: 物理的に一貫性のあるパラメータ推論:高エネルギー物理・宇宙論における透明機械学習エミュレーション
• Abstract要約: 複雑な、しばしばガウス的でない風景をエミュレートするために設計された機械学習フレームワークを提案する。 本稿では、計算効率と信頼性領域の解決の観点から機械学習アプローチの利点について論じる。
• 参考スコア（独自算出の注目度）: 36.94429692322632
• License: http://creativecommons.org/licenses/by/4.0/
• Abstract: Global fits in high energy physics and cosmology often face the challenge of exploring high-dimensional parameter spaces with computationally expensive or topologically complex likelihood functions. In this work, we present a Machine Learning framework designed to emulate complex, often non-Gaussian likelihood landscapes using gradient-boosted regression trees (XGBoost). We discuss the advantages of the Machine Learning approach in terms of computational efficiency and the resolution of confidence regions, particularly in scenarios with complex correlations or "curved" degeneracies. We validate this methodology by applying it to a recent analysis on flavour anomalies in semileptonic $B$ meson decays and discussing the adaptability of this framework to other phenomenological systems, such as axion-like particles or cosmology global fits. Finally, we utilise SHAP (Shapley Additive exPlanations) values to provide a transparent analysis of feature importance, ensuring that the Machine Learning predictions remain physically interpretable and consistent with the underlying physics.
• Abstract（参考訳）: 高エネルギー物理学や宇宙論のグローバルな適合性はしばしば、計算に高価あるいは位相的に複雑な可能性関数を持つ高次元パラメータ空間の探索という課題に直面している。 本研究では,勾配ブースト回帰木(XGBoost)を用いて,複雑でしばしばガウス的でない風景をエミュレートする機械学習フレームワークを提案する。 本稿では、計算効率と信頼性領域の解決の観点から機械学習アプローチの利点について論じる。 半レプティックな$B$中間子崩壊におけるフラワー異常の最近の解析に適用し、軸索状粒子や宇宙論のグローバル適合性などの他の現象系への適応性について議論することにより、この方法論を検証した。 最後に、SHAP(Shapley Additive exPlanations)値を利用して、特徴の重要性を透過的に分析し、機械学習の予測が物理的に解釈可能であり、基礎となる物理と整合していることを保証する。

関連論文リスト

• Mixture of Experts Framework in Machine Learning Interatomic Potentials for Atomistic Simulations [0.3024996106292169]
  第一原理原子論シミュレーションは複雑な物質現象を理解するのに不可欠であるが、その計算コストによって根本的に制限される。 本稿では,E(3)-equivariant Allegroアーキテクチャに基づくマルチフィデリティな"Mixture-of-Experts"フレームワークを提案する。
  論文  参考訳（メタデータ） (2026-04-28T22:04:05Z)
• Kinematify: Open-Vocabulary Synthesis of High-DoF Articulated Objects [59.51185639557874]
  本稿では,任意のRGB画像やテキスト記述から直接音声オブジェクトを合成するフレームワークであるKinematifyを紹介する。 提案手法は, 高DoFオブジェクトに対する運動的トポロジの推測と静的幾何からの関節パラメータの推定という2つの課題に対処する。
  論文  参考訳（メタデータ） (2025-11-03T07:21:42Z)
• Deep Learning in Astrophysics [0.2700171473617699]
  深層学習は天文学の様々な視点を生み出し、このレビューを動機づける支持者と懐疑主義者の間で議論が続いている。 ニューラルネットワークが古典的な統計を補完し、現代のサーベイのためのデータ分析ツールキットを拡張する方法について検討する。 このレビューでは、ディープラーニングがアーキテクチャ設計を通じてドメイン知識をどのように組み入れているかを示す。
  論文  参考訳（メタデータ） (2025-10-12T17:31:46Z)
• Graph Neural Ordinary Differential Equations for Coarse-Grained Socioeconomic Dynamics [0.0]
  時空間社会経済力学をモデル化するためのデータ駆動型機械学習手法を提案する。 我々の研究結果は、ボルチモアのケーススタディから、この機械学習で強化された粗い粒度モデルが強力な機器であることを示している。
  論文  参考訳（メタデータ） (2024-07-25T15:12:46Z)
• Graph Neural PDE Solvers with Conservation and Similarity-Equivariance [6.077284832583712]
  本研究は,保存法則や物理対称性に固執する,高度に一般化可能な新しい機械学習アーキテクチャを提案する。 このアーキテクチャの基礎はグラフニューラルネットワーク(GNN)である。
  論文  参考訳（メタデータ） (2024-05-25T11:18:27Z)
• Discovering Interpretable Physical Models using Symbolic Regression and Discrete Exterior Calculus [55.2480439325792]
  本稿では,記号回帰(SR)と離散指数計算(DEC)を組み合わせて物理モデルの自動発見を行うフレームワークを提案する。 DECは、SRの物理問題への最先端の応用を越えている、場の理論の離散的な類似に対して、ビルディングブロックを提供する。 実験データから連続体物理の3つのモデルを再発見し,本手法の有効性を実証する。
  論文  参考訳（メタデータ） (2023-10-10T13:23:05Z)
• PAC-NeRF: Physics Augmented Continuum Neural Radiance Fields for Geometry-Agnostic System Identification [64.61198351207752]
  ビデオからのシステム同定(オブジェクトの物理的パラメータを推定する)への既存のアプローチは、既知のオブジェクトジオメトリを仮定する。 本研究では,オブジェクトの形状やトポロジを仮定することなく,多視点ビデオの集合から物理系を特徴付けるパラメータを同定することを目的とする。 マルチビュービデオから高ダイナミックな物体の未知の幾何学的パラメータと物理的パラメータを推定するために,Physics Augmented Continuum Neural Radiance Fields (PAC-NeRF)を提案する。
  論文  参考訳（メタデータ） (2023-03-09T18:59:50Z)
• On the Integration of Physics-Based Machine Learning with Hierarchical Bayesian Modeling Techniques [0.0]
  本稿では,ガウス過程(GP)モデルの平均関数にメカニクスに基づくモデルを組み込み,カーネルマシンによる潜在的な不一致を特徴付けることを提案する。 カーネル関数の定常性は、階層的ベイズ手法によって解決された長いデータセットの逐次処理において難しいハードルである。 数値および実験例を用いて, 構造力学逆問題に対する提案手法の可能性を示した。
  論文  参考訳（メタデータ） (2023-03-01T02:29:41Z)
• Physics informed machine learning with Smoothed Particle Hydrodynamics: Hierarchy of reduced Lagrangian models of turbulence [0.6542219246821327]
  この原稿は乱流に対するパラメータ化還元ラグランジアンモデルの階層を構築している。 Smoothed Particle Hydrodynamics (SPH) を通した物理的構造を、普遍関数近似器としてニューラルネットワーク(NN)に依存することによる影響について検討する。
  論文  参考訳（メタデータ） (2021-10-25T22:57:40Z)
• Physics-Integrated Variational Autoencoders for Robust and Interpretable Generative Modeling [86.9726984929758]
  我々は、不完全物理モデルの深部生成モデルへの統合に焦点を当てる。 本稿では,潜在空間の一部が物理によって基底づけられたVAEアーキテクチャを提案する。 合成および実世界のデータセットの集合に対して生成的性能改善を示す。
  論文  参考訳（メタデータ） (2021-02-25T20:28:52Z)
• On dissipative symplectic integration with applications to gradient-based optimization [77.34726150561087]
  本稿では,離散化を体系的に実現する幾何学的枠組みを提案する。 我々は、シンプレクティックな非保守的、特に散逸的なハミルトン系への一般化が、制御された誤差まで収束率を維持することができることを示す。
  論文  参考訳（メタデータ） (2020-04-15T00:36:49Z)

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。