論文の概要: Uncovering Hidden Leptonic Correlations with Flow Matching and Autoencoders
- arxiv url: http://arxiv.org/abs/2608.15042v1
- Date: Sat, 15 Aug 2026 05:04:52 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-08-18 19:59:03.170049
- Title: Uncovering Hidden Leptonic Correlations with Flow Matching and Autoencoders
- Title（参考訳）: フローマッチングとオートエンコーダによる隠れレプトン相関の解明
- Abstract要約: 我々は,タイプIシーソー機構において,湯川行列とマヨラナ質量の値のグローバル探索を行う。
ニュートリノ質量二乗差と混合角の実験的測定値を再現した幅広い溶液群を生成する。
- 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 perform a global search for values of the Yukawa matrices and Majorana masses in the Type-I seesaw mechanism. Using flow matching, which is a generative artificial intelligence (generative AI) method, we generate a broad set of solutions reproducing the experimentally measured values of the neutrino mass-squared differences and the mixing angles. Then, a machine learning method known as an autoencoder is applied to uncover non-trivial correlations among physical quantities in the lepton sector. Our analysis reveals new non-linear relations involving neutrino masses and CP phases. These findings may contribute to elucidating the origins of the mass hierarchies and mixing patterns among generation structure.
- Abstract（参考訳）: 我々は,タイプIシーソー機構において,湯川行列とマヨラナ質量の値のグローバル探索を行う。
生成人工知能(ジェネレーティブAI)法であるフローマッチングを用いて,ニュートリノ質量二乗差と混合角度の実験的値の再現を行う。
そして、レプトンセクターにおける物理量間の非自明な相関を明らかにするために、オートエンコーダとして知られる機械学習手法を適用する。
我々はニュートリノ質量とCP相を含む新しい非線形関係を明らかにした。
これらの知見は、世代構造における質量階層の起源と混合パターンの解明に寄与する可能性がある。
関連論文リスト
- Provably Learning Diffusion Models under the Manifold Hypothesis: Collapse and Refine [60.669081685261965]
拡散モデルは、顕著な品質で高次元データを生成する。
彼らのトレーニングがいかに効率的にスコア関数を学習するかは理論的には説明がつかないままである。
我々はこの原理をScore-induced Latent Diffusion (SiLD)として定式化する。
論文 参考訳（メタデータ） (2026-05-16T16:51:10Z) - Learning Multi-type heterogeneous interacting particle systems [8.56664199108]
本稿では,ネットワークトポロジ,マルチタイプインタラクションカーネル,および異種システムにおける型代入の協調推論のためのフレームワークを提案する。
我々は、Isometry Property (RIP) の仮定に基づいて、推定境界を理論的に保証し、分離性に基づいた正確なリカバリ相互作用の条件を確立する。
論文 参考訳（メタデータ） (2026-02-03T19:17:36Z) - Sparse mixed linear modeling with anchor-based guidance for high-entropy alloy discovery [0.12499537119440242]
本研究では,実験データ取得に固有の欲求探索行動から生じる局所データ構造に着目した。
予測と特徴選択を同時に行うアルゴリズムを開発した。
高エントロピー合金のケーススタディを通じて,アンカー誘導クラスタリングとスパース線形モデリングを組み合わせた手法を提案する。
論文 参考訳（メタデータ） (2025-04-29T01:44:15Z) - 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) - Unsupervised physics-informed disentanglement of multimodal data for
high-throughput scientific discovery [4.923937591056569]
物理インフォームドマルチモーダルオートエンコーダ(PIMA)を紹介する。
PIMAはマルチモーダルな科学データセットで共有情報を発見するための変分推論フレームワークである。
金属添加物製造からの格子状メタマテリアルのデータセットは正確なクロスモーダル推論を示す。
論文 参考訳（メタデータ） (2022-02-07T14:47:00Z) - A deep learning driven pseudospectral PCE based FFT homogenization
algorithm for complex microstructures [68.8204255655161]
提案手法は,従来の手法よりも高速に評価できる一方で,興味の中心モーメントを予測できることを示す。
提案手法は,従来の手法よりも高速に評価できると同時に,興味の中心モーメントを予測できることを示す。
論文 参考訳（メタデータ） (2021-10-26T07:02:14Z) - Joint Network Topology Inference via Structured Fusion Regularization [70.30364652829164]
結合ネットワークトポロジ推論は、異種グラフ信号から複数のグラフラプラシア行列を学習する標準的な問題を表す。
新規な構造化融合正規化に基づく一般グラフ推定器を提案する。
提案するグラフ推定器は高い計算効率と厳密な理論保証の両方を享受できることを示す。
論文 参考訳（メタデータ） (2021-03-05T04:42:32Z) - Deep Archimedean Copulas [98.96141706464425]
ACNetは、構造的特性を強制する、新しい差別化可能なニューラルネットワークアーキテクチャである。
我々は、ACNetが共通のアルキメデスコピュラスを近似し、データに適合する可能性のある新しいコプラを生成することができることを示した。
論文 参考訳（メタデータ） (2020-12-05T22:58:37Z) - Learning Mixtures of Low-Rank Models [89.39877968115833]
低ランクモデルの計算混合を学習する問題について検討する。
ほぼ最適サンプルを用いて未知の行列を復元することが保証されるアルゴリズムを開発する。
さらに,提案アルゴリズムはランダムノイズに対して確実に安定である。
論文 参考訳（メタデータ） (2020-09-23T17:53:48Z)
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。