論文の概要: Machine learning for the LHC physics program: a 2025-2026 stocktake
- arxiv url: http://arxiv.org/abs/2609.32874v1
- Date: Sat, 26 Sep 2026 18:57:22 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-10-06 19:28:01.330197
- Title: Machine learning for the LHC physics program: a 2025-2026 stocktake
- Title（参考訳）: LHC物理プログラムのための機械学習:2025-2026株
- Abstract要約: 私は2025年5月から2026年5月までの12ヶ月にわたって、LHC物理プログラムの機械学習(ML)の在庫を取っています。
AIパイプラインは569件の要約を調査し、引用、傾向、テーマ、コラボレーションの関与によってランク付けし、103件の論文(分割後の95件、以前のベースライン論文8件)を全文読み上げ、それぞれに構造化ノートを作成した。
メモは、フィールドの状態に関する6つのクレームに合成され、独立したレビュアーエージェントによってチェックされ、ソース・ペーパーに対して再検証された。
- 参考スコア（独自算出の注目度）: 0.8460698440162889
- License: http://creativecommons.org/licenses/by-nc-nd/4.0/
- Abstract: The first sentence of this abstract--and the introduction to these proceedings--was authored by a human, but the bulk of this document was generated by an agentic AI system. In this talk, I take stock of machine learning (ML) for the LHC physics program over the twelve months from May 2025 to May 2026. The corpus is the HEPML Living Review, split at May 2025 into 1,756 earlier papers and 569 later ones. An AI pipeline surveyed the 569 abstracts, ranked them by citations, recency, theme, and collaboration involvement, and read 103 papers in full (95 from after the split, plus 8 earlier baseline papers), producing a structured note for each. The notes were then synthesized into six claims about the state of the field, checked by independent reviewer agents, and re-verified against the source papers. The headline claim is that (1) ML for high-energy physics (HEPML) stopped being a research area that builds tools and became infrastructure that the LHC physics program depends on: ATLAS and CMS now publish physics results that depend on neural networks, and the archived ALEPH data have re-entered production. The other five claims are: (2) simulation-based inference and foundation models are two revolutions starting to merge; (3) AI agents are the genuinely new front, with 47 papers in twelve months and no adopted measurement yet; (4) "do we trust it?" is the fastest-growing agenda, with one recent paper in five about uncertainty, calibration, or interpretability; (5) what is slowing down is informative, since equivariance was absorbed into a tool and model-specific phenomenology ceded ground to model-agnostic searches; and (6) theory ML crossed a capability threshold in multiple research areas. I close with what is settled, what is incoming, and what is open, and briefly discuss the concerns raised by this way of working with AI.
- Abstract（参考訳）: この要約の最初の文とこれらの手続きの紹介は、人間によって書かれたものだが、この文書の大部分はエージェントAIシステムによって作成された。
この講演では、2025年5月から2026年5月までの12ヶ月にわたって、LHC物理プログラムの機械学習(ML)の在庫を取ります。
コーパスはHEPML Living Reviewであり、2025年5月に1,756論文と569論文に分割された。
AIパイプラインは569件の要約を調査し、引用、傾向、テーマ、コラボレーションの関与によってランク付けし、103件の論文(分割後の95件、以前のベースライン論文8件)を全文読み上げ、それぞれに構造化ノートを作成した。
メモは、フィールドの状態に関する6つのクレームに合成され、独立したレビュアーエージェントによってチェックされ、ソース・ペーパーに対して再検証された。
1)高エネルギー物理(HEPML)のためのMLは、ツールの構築を中止し、LHC物理プログラムが依存するインフラとなった。
その他の5つの主張は、(2)シミュレーションベースの推論と基礎モデルが合併し始める2つの革命、(3)AIエージェントは真に新しい前線であり、12ヶ月で47の論文を持ち、まだ採用されていないこと、(4)「我々はそれを信頼しているか?」は、不確実性、キャリブレーション、または解釈可能性に関する最近の論文の1つで、最も早い段階の議題である。
私は、落ち着いたもの、入ってくるもの、開いているものについて近づき、この方法でAIを扱うことで引き起こされる懸念について簡単に話し合っています。
関連論文リスト
- Can LLMs Discover Scientific Laws in Real and Parallel Worlds? [58.76147897928744]
SCILAWS-BENCHは、公表された研究と実際の科学データから構築された科学法発見のためのベンチマークである。
381の科学論文から118の問題を抽出し、291の法則と6つの科学分野にわたる800万の実際のデータポイントをカバーしている。
予測適合性は、科学的妥当性から分岐し、モデルが公表された公式を再現するか、移動するかを記憶する形に変化し、我々のベスト・オブ・N研究は選択ボトルネックを明らかにした。
論文 参考訳（メタデータ） (2026-09-01T17:17:59Z) - AI's Capability in Assisting Scientific Research in Physics, Astrophysics, and Cosmology I: Literature Review [2.2351980005694156]
本研究では,大規模言語モデル(LLM)が学術研究の文献レビューにどの程度役立つかを検討する。
我々は、物理学、天体物理学、宇宙論の分野にまたがる8つの専門家による研究プロジェクトについて、制御された研究を行う。
2025年中頃のLLM (ChatGPT-4o, ChatGPT Deep Research, Gemini) で選択された文献と比較した。
人間とAIが選択した参照の重複は小さく(6%)、AIモデルはまだ有能な専門家による検索を独自に再現していないことを示している。
論文 参考訳（メタデータ） (2026-07-28T12:51:35Z) - Grounded autonomous research: a fault-tolerant LLM pipeline from corpus to manuscript in frontier computational physics [3.7193230342956056]
本稿では,11,083個の凝縮物質物理学論文から出版段階の原稿まで,エンドツーエンドで動くパイプラインについて述べる。
フォールトトレランスは、新しいコンテキストアイソレーション、分散グラウンド、敵対的なレビューなど、冗長性から生まれる。
プリミティブ、特徴的障害モード、および定量化された介入パターンは、高度な科学領域における自律的な研究の基礎を築いた。
論文 参考訳（メタデータ） (2026-07-02T15:35:41Z) - One Reflection Is Not Enough: Self-Correcting Autonomous Research via Multi-Hypothesis Failure Attribution [85.65263343588026]
我々は,自己修正型,自律型,接地型実験機であるSAGEを提案する。
その中核的なメカニズムであるMHFA(Multi-Hypothesis Failure Attribution)は、回復を構造的因果診断として扱う。
12のトピック、5ドメインのベンチマークでは、SAGEは基準リフレクションでメトリクスを含むアウトプットを42%から92%に増やしている。
論文 参考訳（メタデータ） (2026-06-30T10:54:16Z) - Towards grounded autonomous research: an end-to-end LLM mini research loop on published computational physics [3.7193230342956056]
最近の自律型LLMエージェントは、機械学習研究のエンドツーエンドの自動化を実証している。
エージェントが論文を読み、それを再生し、批判し、拡張するミニリサーチループである。
このループは、スケールと深さの2つの相補的な条件でテストします。
論文 参考訳（メタデータ） (2026-04-14T02:06:59Z) - Paper Espresso: From Paper Overload to Research Insight [53.45135239997754]
本稿では,最新のarXiv論文を自動的に発見,要約,分析するオープンソースプラットフォームであるPaper Espressoを紹介する。
このシステムは、大きな言語モデル(LLM)を使用して、トピックラベルとキーワードで構造化された要約を生成する。
35ヶ月の継続的デプロイメントを経て、Paper Espressoは13,300以上の論文を処理し、構造化されたメタデータをすべて公開している。
論文 参考訳（メタデータ） (2026-04-06T09:45:21Z) - SciZoom: A Large-scale Benchmark for Hierarchical Scientific Summarization across the LLM Era [2.2090506971647144]
SciZoomは、2020年から2025年までの4つのトップレベルのML会場から44,946の論文からなるベンチマークである。
我々の言語学的分析は、句パターンの顕著な変化(式表現の最大10倍)と修辞スタイル(23%のヘッジ減少)を明らかにしている。
SciZoomは、生成AI時代の科学的談話の進化をマイニングするための、挑戦的なベンチマークとユニークなリソースとして機能する。
論文 参考訳（メタデータ） (2026-03-17T05:34:46Z) - Alien Science: Sampling Coherent but Cognitively Unavailable Research Directions from Idea Atoms [53.907293349123506]
大規模な言語モデルは、しばしば、現在のコミュニティにとって一貫性があり、無関心なアイデアを生み出すのに失敗する。
我々は、このギャップを認知的可用性によって形式化し、研究の方向性が典型的な研究者によって自然に提案される可能性について述べる。
我々は、原子の集合が実行可能な方向を構成するかどうかをスコアするコヒーレンスモデルと、その方向が生成される確率をスコアするアベイラビリティモデルという2つの補完モデルを学ぶ。
論文 参考訳（メタデータ） (2026-03-01T13:05:19Z) - Does GenAI Rewrite How We Write? An Empirical Study on Two-Million Preprints [15.070885964897734]
生成型大規模言語モデル(LLM)は、原稿の書き方を変えることによって、さらなる破壊をもたらす可能性がある。
本稿は、2016年から2025年(115ヶ月)にかけての2100万件以上のプレプリントを4つの主要なリポジトリで大規模に分析することで、このギャップを解消する。
以上の結果から,LSMは提出サイクルと修正サイクルを加速し,言語的複雑性が緩やかに増加し,AI関連トピックが不均等に拡大したことが明らかとなった。
論文 参考訳（メタデータ） (2025-10-18T01:37:40Z) - Mapping the Increasing Use of LLMs in Scientific Papers [99.67983375899719]
2020年1月から2024年2月にかけて、arXiv、bioRxiv、Natureのポートフォリオジャーナルで950,965の論文をまとめて、体系的で大規模な分析を行った。
計算機科学の論文では, LLMの使用が着実に増加し, 最大, 最速の成長が観察された。
論文 参考訳（メタデータ） (2024-04-01T17:45:15Z) - Large Language Models for Automated Open-domain Scientific Hypotheses Discovery [50.40483334131271]
本研究は,社会科学の学術的仮説発見のための最初のデータセットを提案する。
従来のデータセットとは異なり、新しいデータセットには、(1)オープンドメインデータ(RAW Webコーパス)を観察として使用すること、(2)人間性にさらに新しい仮説を提案することが必要である。
パフォーマンス向上のための3つのフィードバック機構を含む,タスクのためのマルチモジュールフレームワークが開発されている。
論文 参考訳（メタデータ） (2023-09-06T05:19:41Z)
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。