論文の概要: Learning Standard Model structure from LHC data with Riemannian flow matching
- arxiv url: http://arxiv.org/abs/2607.16144v1
- Date: Fri, 17 Jul 2026 17:23:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-07-20 17:56:52.916827
- Title: Learning Standard Model structure from LHC data with Riemannian flow matching
- Title（参考訳）: リーマン流マッチングを用いたLHCデータからの標準モデル構造学習
- Authors: Midori Kato, Kevin A. Urquía-Calderón, Inar Timiryasov, Oleg Ruchayskiy,
- Abstract要約: 単一変圧器を用いた生成モデルにより,50年に及ぶ不変質量の標準モデル構造を捉えることができることを示す。
このモデルはATLAS Open Data 13TeVリリースから$sim 109$ real $pp$の衝突イベントに基づいて訓練されている。
- 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: In this work we demonstrate that a single transformer-based generative model can capture Standard Model structure spanning five decades of invariant mass, from the sub-GeV regime to the TeV continuum, a range that no single Monte Carlo sample covers. To achieve this we design \textsc{ShellFlow}, a Riemannian conditional flow matching model that, given the recorded event composition, generates each particle on its on-shell manifold. Its only physics priors are the on-shell condition and the invariant-mass formula. The model is trained on $\sim 10^{9}$ real $pp$ collision events from the ATLAS Open Data 13~TeV release and told nothing else. From a single training run, the model learns to reproduce all of the following: intra-particle kinematics, the dilepton resonances ($J/ψ$, $Υ$, $Z$) at their PDG positions, the leptonic Weinberg angle, the $W$ and top-quark masses, and inter-particle correlations that enter no training objective. A substantial fraction of the Standard Model is thus learnable directly from recorded collision data.
- Abstract（参考訳）: 本研究は, 単変圧器を用いた生成モデルを用いて, サブGeV状態からTeV連続体までの50年間の不変質量の標準モデル構造を捕捉できることを実証する。
これを達成するために、記録されたイベント構成を与えられたリーマン条件付きフローマッチングモデルである \textsc{ShellFlow} を設計し、そのオンシェル多様体上の各粒子を生成する。
その物理の先行はオンシェル条件と不変質量公式のみである。
このモデルはATLAS Open Data 13~TeVリリースから$\sim 10^{9}$ real $pp$の衝突イベントで訓練され、他には何も言えなかった。
1つのトレーニング実行から、モデルは、粒子内キネマティクス、PDG位置でのジレプトン共鳴(J/a$, $ $, $Z$)、レプトニックワインバーグ角、$W$およびトップクォーク質量、トレーニング目的に入らない粒子間相関の全てを再現することを学ぶ。
したがって、標準モデルのかなりの部分は、記録された衝突データから直接学習することができる。
関連論文リスト
- Non-Markovian Poissonian Spontaneous Collapse Models [0.0]
自発的崩壊モデル(英語版)は、標準量子力学を変更することで測定問題に対する可能な解決策を提供する。
ポアソニアン自発局所化(PSL)モデルのマルコフ版について検討する。
非マルコフ CSL モデルで得られる値と$_t$ が等しいことを示す。
論文 参考訳（メタデータ） (2026-07-09T21:28:38Z) - Embedded Random Matrix Ensembles to Statistical Shell Model: Operation of $q$-normal forms [0.0]
核殻モデル空間で動作する組込みランダム行列アンサンブルは、統計シェルモデルの基礎となる。
実際には、球面構成(tildem$)と角運動量$J$によるパーティショニングが不可欠である。
また、一般量子多粒子系の統計的性質の生成における$q$パラメータの役割も説明されている。
論文 参考訳（メタデータ） (2026-06-28T05:25:29Z) - Inverting the Bellman Equation: From $Q$-Values to World Models [57.827849584133425]
我々は、十分に豊富な報酬関数のセットで訓練された価値に基づくエージェントが、ユニークで正確な世界モデルを暗黙的にエンコードしていることを証明した。
ttReacherエージェントの暗黙の世界モデルにのみ訓練されたポリシーは、位置のみのトレーニングにもかかわらず、分布外、速度に基づく目標に準最適であることがわかった。
論文 参考訳（メタデータ） (2026-06-19T07:26:14Z) - Multi-Subspace Multi-Modal Modeling for Diffusion Models: Estimation, Convergence and Mixture of Experts [15.571607959541913]
本稿では, 対象データをK$線形部分空間の和としてモデル化する, ガウスモデル(MoLR-MoG)の低ランク混合の混合部分空間を提案する。
このモデリングにより、対応するスコア関数は、自然に専門家(MoE)構造の混合を持ち、マルチモーダル情報をキャプチャし、非線形特性を含む。
この結果から, MoE-latent MoG NN は 10 倍のパラメータを持つ MoE-latent Unet に匹敵する性能を示した。
論文 参考訳（メタデータ） (2026-01-04T10:45:06Z) - SE(3)-Stochastic Flow Matching for Protein Backbone Generation [54.951832422425454]
我々はFoldFlowを紹介した。FoldFlowは,3mathrmD$の剛性運動に対するフローマッチングパラダイムに基づく,モデリング能力向上のための新しい生成モデルである。
FoldFlow生成モデルのファミリーは、タンパク質の生成モデルに対する従来のアプローチよりもいくつかの利点を提供している。
論文 参考訳（メタデータ） (2023-10-03T19:24:24Z) - Neural Implicit Manifold Learning for Topology-Aware Density Estimation [15.878635603835063]
現在の生成モデルは、ニューラルネットワークを介して$m$次元の潜在変数をマッピングすることで、$mathcalM$を学ぶ。
我々のモデルは、プッシュフォワードモデルよりも複雑なトポロジーを持つ多様体支持分布を正確に学習できることが示される。
論文 参考訳（メタデータ） (2022-06-22T18:00:00Z) - Generative Temporal Difference Learning for Infinite-Horizon Prediction [101.59882753763888]
我々は、無限確率的地平線を持つ環境力学の予測モデルである$gamma$-modelを導入する。
トレーニングタイムとテストタイムの複合的なエラーの間には、そのトレーニングが避けられないトレードオフを反映しているかについて議論する。
論文 参考訳（メタデータ） (2020-10-27T17:54:12Z)
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。