机器学习应用于高能物理拟合的新讲义

研究人员发布了新的讲义，详细介绍了机器学习（ML）代理模型在 고에너지 물리학 统计拟合中的应用。这些讲义概述了一个全面的 ML 工作流程，包括使用提升决策树（Boosted Decision Trees）来近似似然函数，以及使用高斯过程（Gaussian processes）进行主动学习以高效生成数据。该方法在 Belle II 实验的 $B^\pm \to K^\pm \nu \bar{\nu}$ 异常分析中得到验证，展示了 ML 如何在实验约束下探索类轴子粒子（Axion-Like Particles, ALPs）的参数空间。 AI

影响 将先进的 ML 技术引入物理学中的复杂统计分析，可能加速科学发现。

排序理由 该条目是一篇在 arXiv 上发表的研究论文，详细介绍了 ML 在高能物理学中的新应用。[lever_c_demoted from research: ic=1 ai=1.0]

在 arXiv cs.LG 阅读 →

• Belle II
• $B^\pm \to K^\pm \nu \bar{\nu}$
• Gaussian processes
• high-energy physics
• Machine Learning

• 论文
• 其他

AI 生成摘要 · Google Gemini · 来自 1 个来源。 我们如何撰写摘要 →