研究人员开发了一个新的机器学习框架，使用XGBoost来模拟高能物理学和宇宙学中复杂的似然景观。这种方法提供了显著的计算效率和改进的置信区域分辨率，特别是对于具有复杂相关性或简并性的分析。该框架已成功应用于研究B介子衰变中的味异常，并可适用于其他现象学系统。此外，还使用了SHAP值来确保模型的预测是透明和物理可解释的。 AI
影响 这项研究展示了机器学习如何加速和提高复杂科学模拟的可解释性，有可能在粒子物理学和宇宙学等领域加快发现速度。
排序理由 详细介绍一种用于物理学模拟的新机器学习方法的学术论文。[lever_c_demoted from research: ic=1 ai=1.0]
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
arXiv:2607.12726v1 Announce Type: cross Abstract: Global fits in high energy physics and cosmology often face the challenge of exploring high-dimensional parameter spaces with computationally expensive or topologically complex likelihood functions. In this work, we present a Mach…
Global fits in high energy physics and cosmology often face the challenge of exploring high-dimensional parameter spaces with computationally expensive or topologically complex likelihood functions. In this work, we present a Machine Learning framework designed to emulate complex…