研究人员开发了一个新的机器学习框架，用于模拟高能物理学和宇宙学中复杂的似然景观。该框架利用XGBoost高效探索高维参数空间，在计算速度和置信区域分辨率方面具有优势。该方法已在半轻衰变的B介子中得到验证，并可适用于其他系统，如类轴子粒子。SHAP值被用于确保机器学习预测的透明度和物理可解释性。 AI
影响 该框架通过提高复杂模拟的效率和可解释性，有可能加速高能物理学和宇宙学等领域的研究。
排序理由 该集群包含一篇详细介绍用于科学应用的新机器学习方法的论文。
AI 生成摘要 · Google Gemini · 来自 2 个来源。 我们如何撰写摘要 →
完整方法见我们的编辑标准。
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…