論文の概要: Machine Learning Meets High-Energy Nuclear Physics: From Pattern Recognition to Physics-Integrated Discovery

• arxiv url: http://arxiv.org/abs/2610.12293v1
• Date: Thu, 08 Oct 2026 16:47:33 GMT
• ステータス: 翻訳完了
• システム内更新日: 2026-10-10 02:36:54.191706
• Title: Machine Learning Meets High-Energy Nuclear Physics: From Pattern Recognition to Physics-Integrated Discovery
• Title（参考訳）: 機械学習と高エネルギー核物理学 - パターン認識から物理集約的発見まで
• Abstract要約: このミニレビューは、ここ数年で成熟した開発に焦点を当てている。 近年の研究は、重イオンと中性子星のデータから物理積分推論へと移行している。 我々は、重イオン衝突、中性子星物理学、格子QFT、ホログラムまたは連続QCDにおけるMLの最近の応用を調査した。
• 参考スコア（独自算出の注目度）: 15.11095894511289
• License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
• Abstract: Machine learning (ML) in high-energy nuclear physics (HENP) is entering a new stage in which physical knowledge is incorporated more directly into data analysis, simulation, and physics inference. This mini-review focuses on developments that have matured in the past several years. Whereas earlier applications emphasized event classification, pattern recognition, and surrogate models for selected observables, recent work has moved toward physics-integrated workflows: calibrated Bayesian extraction of QCD matter properties, dense-matter equation-of-state inference from heavy-ion and neutron-star data, generative event modeling, neural unfolding of weak physical signals, differentiable inverse solvers, gauge-equivariant and diffusion-based lattice-field samplers, and neural reconstruction of model functions in holographic QCD. We survey recent applications of ML in heavy-ion collisions, neutron-star physics, lattice QFT, and holographic or continuum QCD. The emphasis is not on ML architectures alone, but on how they enter concrete physics workflows, how physical constraints such as symmetries, conservation laws, causality, thermodynamic stability, and topology are imposed, and how uncertainty quantification and validation determine whether an AI-assisted result can support a reliable physics conclusion.
• Abstract（参考訳）: 高エネルギー核物理学(HENP)における機械学習(ML)は、物理知識をデータ分析、シミュレーション、物理推論に直接組み込む新しい段階に入った。 このミニレビューは、ここ数年で成熟した開発に焦点を当てている。 以前の応用では、選択された可観測物に対する事象分類、パターン認識、サロゲートモデルを強調していたが、最近の研究は、QCDの物質特性のキャリブレーションベイズ式抽出、重イオンおよび中性子星データからの密度行列式推論、生成イベントモデリング、弱い物理信号のニューラル展開、微分可能な逆解法、ゲージ-等変および拡散に基づく格子場サンプリング器、ホログラフィックQCDにおけるモデル関数のニューラル再構成など、物理統合ワークフローに移行した。 我々は、重イオン衝突、中性子星物理学、格子QFT、ホログラムまたは連続QCDにおけるMLの最近の応用を調査した。 MLアーキテクチャだけでなく、具体的な物理学のワークフローへの参入方法、対称性、保存法則、因果性、熱力学的安定性、トポロジーといった物理的な制約が課される方法、不確実性の定量化と検証によって、AIが支援する結果が信頼できる物理学の結論を支持するかどうか、などにも重点を置いている。

関連論文リスト

• Physics-Driven Learning for Inverse Problems in Quantum Chromodynamics [5.5371760658918]
  ディープラーニング技術と物理駆動設計の統合は、私たちが逆問題に対処する方法を変えつつある。 この視点は、物理駆動学習法の進歩と可能性を強調している。 MLと物理の融合により、より効率的で信頼性の高い問題解決戦略がもたらされることが示されている。
  論文  参考訳（メタデータ） (2025-01-09T21:14:25Z)
• Physics-Informed Neural Networks with Hard Linear Equality Constraints [9.101849365688905]
  本研究は,線形等式制約を厳格に保証する物理インフォームドニューラルネットワークKKT-hPINNを提案する。 溶融タンク炉ユニット, 抽出蒸留サブシステム, 化学プラントのアスペンモデル実験により, このモデルが予測精度をさらに高めることを示した。
  論文  参考訳（メタデータ） (2024-02-11T17:40:26Z)
• 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)
• 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)
• 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)
• Evaluating the Transferability of Machine-Learned Force Fields for Material Property Modeling [2.494740426749958]
  本稿では,機械学習力場の伝達性を評価するため,より包括的なベンチマークテストを提案する。 我々は、OpenMMパッケージと結合したグラフニューラルネットワーク(GNN)ベースの力場を用いて、ArgonのMDシミュレーションを実行する。 実験結果から, モデルが固体相の挙動を正確に把握できるのは, 固体相の構成がトレーニングデータセットに含まれる場合のみであることがわかった。
  論文  参考訳（メタデータ） (2023-01-10T00:25:48Z)
• Quantum-tailored machine-learning characterization of a superconducting qubit [50.591267188664666]
  我々は,量子デバイスのダイナミクスを特徴付ける手法を開発し,デバイスパラメータを学習する。 このアプローチは、数値的に生成された実験データに基づいてトレーニングされた物理に依存しないリカレントニューラルネットワークより優れている。 このデモンストレーションは、ドメイン知識を活用することで、この特徴付けタスクの正確性と効率が向上することを示す。
  論文  参考訳（メタデータ） (2021-06-24T15:58:57Z)
• 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)
• Learning to Simulate Complex Physics with Graph Networks [68.43901833812448]
  本稿では,機械学習のフレームワークとモデルの実装について紹介する。 グラフネットワーク・ベース・シミュレータ(GNS)と呼ばれる我々のフレームワークは、グラフ内のノードとして表現された粒子で物理系の状態を表現し、学習されたメッセージパスによって動的を計算します。 我々のモデルは,訓練中に数千の粒子による1段階の予測から,異なる初期条件,数千の時間ステップ,少なくとも1桁以上の粒子をテスト時に一般化できることを示す。
  論文  参考訳（メタデータ） (2020-02-21T16:44:28Z)

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。