学习散射振幅的简化
通过将神经网络和物理启发式技术结合起来,我们开发了一种递归多维符号回归算法,将其应用于来自费曼物理学讲义的100个方程,并成功发现了所有未知函数方程。
May, 2019
PELICAN是一种新颖的置换等变和洛伦兹不变或协变的拼接网络,它在分类和回归洛伦兹增强顶夸克的上下文中,特别是在识别和测量密集环境中$W$玻色子的困难任务中,相比其他方法表现出更少的复杂性、更高的可解释性和原始性能。
Jul, 2023
最近,机器学习的最新发展提出了一种被称为神经算子的神经网络架构,能够近似函数空间之间的映射关系。我们以应用于基础物理学为目标,研究了它们在量子力学的散射过程中的应用。我们使用傅里叶神经算子的迭代变体来学习Schrödinger算子的物理性质,它将初始波函数和势能映射到最终波函数。这些深度算子学习的想法在两个具体问题中进行了测试:一个是在$1+1$维度中预测波包散射在中心势场中的时间演化的神经算子,另一个是在$2+1$维度中的双缝实验。在推断过程中,与传统的有限差分求解器相比,神经算子可以提高数个数量级的计算效率。
Aug, 2023
使用机器学习设计最优的可观测量,以推测粒子物理和核物理模型的基本、有效或现象学参数,并展示了在深度非弹性散射中包含最多关于感兴趣参数的信息的两种物理模型的可行性。
Oct, 2023
高能物理学中的重建与分析可以通过采用现代机器学习工作流程(如预训练、微调、领域适应和高维嵌入空间)超越顺序优化或重建分析组件的标准范例,实现性能和数据效率的显著提升。
Jan, 2024
使用傅里叶神经算子(FNOs)研究固定能量下$2 o 2$弹性散射中振幅的模和相位的关系,通过训练FNOs来发现它们之间的积分关系,观察FNO的预测质量指数与相位的幺正约束违背之间的强相关性,并强调了统计学在NOs集合中的作用,探讨了该方法的优点、局限性以及在理论物理中的潜力。
Apr, 2024
利用深度学习方法改进理论高能物理领域中的先进计算,通过使用Transformers预测含有整数系数的散射幅度,该方法在两项任务上均实现了高准确率(> 98%),证明了Transformers成功应用于需要精确解的理论物理问题。
May, 2024
从粒子物理实验中提取科学理解需要高精度和良好的数据效率来解决多样的学习问题。我们提出了Lorentz Geometric Algebra Transformer(L-GATr),这是一个用于高能物理的全新多功能架构。L-GATr将高能数据表示为四维时空的几何代数,并在Lorentz变换下等变,这是相对论运动学的对称群。同时,该架构是一个Transformer,使它具有很强的灵活性和可扩展性。L-GATr首先在粒子物理的回归和分类任务上得到验证。然后,我们构建了第一个Lorentz等变生成模型:基于L-GATr网络的连续正态流,使用Riemannian流匹配进行训练。在我们的实验证明中,L-GATr与强领域特定的基线模型相媲美甚至更优秀。
May, 2024