論文の概要: Searching for New Physics with Reinforcement Learning
- arxiv url: http://arxiv.org/abs/2609.10382v1
- Date: Wed, 09 Sep 2026 16:07:39 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-09-10 19:44:09.104533
- Title: Searching for New Physics with Reinforcement Learning
- Title（参考訳）: 強化学習による新しい物理の探索
- Abstract要約: 強化学習技術は、目標を達成するために意思決定を必要とするタスクに優れています。
本稿では,任意の異常を説明するSMEFT演算子を見つけるのに使用できるRL法を提案する。
- 参考スコア（独自算出の注目度）: 0.0
- License: http://creativecommons.org/licenses/by/4.0/
- Abstract: Finding new physics (NP) is the most important problem in particle physics today. Studying ``anomalies'', i.e., measurements of low-energy observables whose values disagree with the predictions of the Standard Model (SM), is a powerful search strategy. The SM Effective Field Theory (SMEFT) provides a general model-independent framework for parameterizing NP; it is natural to try to find the SMEFT operator(s) that can explain such anomalies. This is a challenging task because (i) the number of SMEFT operators is enormous, and (ii) at loop level there are very complicated correlations among the operators. Analyses by humans typically rely on phenomenological intuition to decide which operators are relevant. This is often biased and does not explore the complete SMEFT operator space. Interestingly, reinforcement learning (RL) techniques excel at tasks that require decision making to achieve their goals. In this paper, we introduce an RL method that can be used to find the SMEFT operators that explain any anomalies. We test it on the CDF $W$-mass anomaly, and show that it reproduces (and improves upon) known results. We then consider a far more complicated situation with multiple anomalies and show that, even here, this method is able to find the SMEFT operators that explain the data. Our RL method can therefore be used to efficiently search for NP at the level of SMEFT.
- Abstract（参考訳）: 新たな物理学(NP)の発見は、今日の粒子物理学において最も重要な問題である。
標準モデル(SM)の予測と値が一致しない低エネルギー観測値の測定を「異常」研究することは強力な探索戦略である。
SM効果場理論(SM Effective Field Theory, SMEFT)は、NPをパラメータ化するための一般的なモデルに依存しないフレームワークを提供する。
これは難しい仕事です。
(i)SMEFT演算子の数は膨大であり、
(ii) ループレベルでは演算子間には非常に複雑な相関関係が存在する。
人間による分析は通常、どのオペレーターが関連しているかを決定するために現象論的直観に依存している。
これはしばしばバイアスを受け、完全な SMEFT 作用素空間を探索しない。
興味深いことに、強化学習(RL)技術は、目標を達成するために意思決定を必要とするタスクに優れています。
本稿では,任意の異常を説明するSMEFT演算子を見つけるのに使用できるRL法を提案する。
我々はCDF $W$-mass 異常で試行し、既知の結果の再現(および改善)を示す。
次に、複数の異常を伴うより複雑な状況を考察し、この方法でさえ、データを説明するSMEFT演算子を見つけることができることを示す。
したがって、我々のRL法は、SMEFTのレベルでNPを効率的に探索することができる。
関連論文リスト
- Gaussian mixtures and non-parametric likelihoods through the lens of statistical mechanics [6.219242821194725]
統計力学の観点から,非パラメトリック最大推定法(abrv NPMLE)の問題点を考察する。
我々はNPMLEプロシージャの安定性を保証する。
我々は、NPMLE と $minbigfrac(log n)d+2n, fraclog nsqrt nbig$ の順序である真の密度の間の KL の分岐に関する高い確率上界を提供する。
論文 参考訳（メタデータ） (2026-03-24T13:42:57Z) - Improved Convergence in Parameter-Agnostic Error Feedback through Momentum [49.163769734936295]
本研究では、EFと正規化更新、様々な運動量変動、パラメータに依存しない時変ステップサイズを組み合わせた正規化エラーフィードバックアルゴリズムについて検討する。
我々の結果は、ステップサイズと小さなミニバッチの減少に繋がる。
論文 参考訳（メタデータ） (2025-11-18T13:47:08Z) - Discrete Compositional Generation via General Soft Operators and Robust Reinforcement Learning [42.21025266147905]
近年の手法では、プロキシ報酬関数によって導かれる強化学習を活用して、このフィルタリングを可能にする。
これらの手法は,大規模検索空間において,過度に多様で最適な候補を生成できないことを示す。
いくつかの正規化されたRL演算子を一般化したフレームワークに結合する新しい統一演算子を導入する。
合成タスクと実世界のタスクの両方において、ベースラインよりも高品質で多様な候補を特定する。
論文 参考訳（メタデータ） (2025-06-20T14:03:17Z) - Learning to Rank Chain-of-Thought: Using a Small Model [77.75522308463667]
本稿では、この課題に対処するために設計された高効率で軽量な検証器であるEORM(Energy Outcome Reward Model)を紹介する。
EORMはエネルギーベースのフレームワークを使用してChain-of-Thought(CoT)ソリューションをランク付けし、単純な結果ラベルだけで誤った推論と正しく区別することを学ぶ。
55Mのパラメータだけで、通常の報酬モデルより127倍以上小さいEORMは、Llama 3 8Bの精度をGSM8kで90.7%、MATHで63.7%に向上させた。
論文 参考訳（メタデータ） (2025-05-21T01:06:29Z) - On Least Square Estimation in Softmax Gating Mixture of Experts [78.3687645289918]
決定論的MoEモデルに基づく最小二乗推定器(LSE)の性能について検討する。
我々は,多種多様な専門家関数の収束挙動を特徴付けるために,強い識別可能性という条件を確立する。
本研究は,専門家の選択に重要な意味を持つ。
論文 参考訳（メタデータ） (2024-02-05T12:31:18Z) - On Using Admissible Bounds for Learning Forward Search Heuristics [9.749638953163391]
学習において,受理者が提供する情報を効果的に活用する方法に焦点をあてる。
学習対象は、学習対象ではなく、この分布の下位境界として、許容値が使用される、切り裂かれたssianとしてモデル化する。
その結果,提案手法はトレーニング中により高速に収束し,より優れたガウスが得られることがわかった。
論文 参考訳（メタデータ） (2023-08-23T04:14:45Z) - Relational Reasoning via Set Transformers: Provable Efficiency and
Applications to MARL [154.13105285663656]
置換不変エージェントフレームワークを用いたMARL(Multi-A gent R einforcement Learning)は,実世界のアプリケーションにおいて大きな実証的成功を収めた。
残念なことに、このMARL問題の理論的理解は、多くのエージェントの呪いと、既存の著作における関係推論の限定的な探索によって欠落している。
モデルフリーアルゴリズムとモデルベースアルゴリズムの最適度差は各エージェント数に独立して対数的であり、多くのエージェントの呪いを和らげる。
論文 参考訳（メタデータ） (2022-09-20T16:42:59Z) - Bounding The Rademacher Complexity of Fourier Neural Operator [3.4960814625958787]
フーリエニューラル演算子(フーリエニューラル演算子、英: Fourier Neural operator、FNO)は、物理学に着想を得た機械学習手法の1つである。
本研究では,特定の群ノルムに基づくFNOのラデマッハ複雑性の境界について検討した。
さらに, 経験的一般化誤差とFNOのキャパシティの相関について検討した。
論文 参考訳（メタデータ） (2022-09-12T11:11:43Z) - NeuralNEB -- Neural Networks can find Reaction Paths Fast [7.7365628406567675]
密度汎関数理論 (DFT) のような量子力学的手法は、反応系の運動学を研究するための効率的な探索アルゴリズムと共に大きな成功を収めている。
機械学習(ML)モデルは、小さな分子DFT計算の優れたエミュレータであることが判明し、そのようなタスクでDFTを置き換える可能性がある。
本稿では、Transition1xデータセットから約10万の初等反応に基づいて、アート同変グラフニューラルネットワーク(GNN)に基づくモデルの状態を訓練する。
論文 参考訳（メタデータ） (2022-07-20T15:29:45Z) - Low-rank Optimal Transport: Approximation, Statistics and Debiasing [51.50788603386766]
フロゼットボン2021ローランで提唱された低ランク最適輸送(LOT)アプローチ
LOTは興味のある性質と比較した場合、エントロピー正則化の正当な候補と見なされる。
本稿では,これらの領域のそれぞれを対象とし,計算OTにおける低ランクアプローチの影響を補強する。
論文 参考訳（メタデータ） (2022-05-24T20:51:37Z) - An Optimal Transport Perspective on Unpaired Image Super-Resolution [97.24140709634203]
実世界の画像超解像(SR)タスクは、しばしばペア化されたデータセットを持たず、教師付き技術の適用を制限する。
このようなモデルで生じる最適化問題を調査し、2つの驚くべき観測結果を得る。
学習した写像が偏りがあること、すなわち、低解像度画像の分布を高解像度画像に変換するものではないことを実証し、実証的に示す。
論文 参考訳（メタデータ） (2022-02-02T16:21:20Z) - A Farewell to the Bias-Variance Tradeoff? An Overview of the Theory of
Overparameterized Machine Learning [37.01683478234978]
機械学習(ML)の急速な進歩は、この分野の長年のドグマに挑戦する科学的な疑問を数多く提起している。
最も重要なライドルの1つは、パラメータ化されたモデルの優れた経験的一般化である。
論文 参考訳（メタデータ） (2021-09-06T10:48:40Z)
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。